脑-机接口（Brain-Computer Interface,BCI）是一种通过结合硬件与软件让大脑活动控制外部设备甚至计算机的技术,这项技术通过使用设备实现对于大脑神经思维活动所展现的脑电信号（Electroencephalogram,EEG）进行解码,并根据获得的信息实现与外界环境的沟通,脑-机接口技术的应用变得越来越广泛。研究表明,脑电信号能够被正确解读是大脑与外界设备实现准确交流的关键性步骤,因此,对脑电信号利用相关算法进行识别十分必要。本文以具有能量约束的耦合运动的控制任务作为研究对象,采集了该复杂动态任务状态下诱发的脑电信号,实现了信号的脑电网络特征模式识别与分类。在完成信号的相位表征的基础上,提出了功能性脑网络（Functional brain network,FBN）与判别分析相互结合的方法,提升了对于脑电信号的解码性能,论文的主要工作内容如下:（1）通过查阅文献,针对现有的脑电诱发任务复杂度低、对控制能力要求低、诱发脑电质量以及解码性能有待提高的问题,提出了一种基于具有约束且能反应多重典型控制问题的动态复杂控制的实验范式——“碗-球”系统,基于这一新的实验范式,完成了对于大脑活动信息的采集。（2）针对脑电信号非平稳、非高斯等特性,本文从相位特征的角度对EEG信号进行了分析,研究了基于新的动态操作任务下的EEG振荡活动的动态特性。提出了一种基于头皮脑电信号相位波动的尺度分析方法来区分不同脑电信号模式下的网络状态,该模式对应于具有左右运动意图的操作任务,这些意图是受试者在执行复杂的操作任务时产生的。采用相位表征方法从脑电信号中计算瞬时相位,在此基础上,利用相位同步技术构建了基于任务相关脑电信号的功能性脑网络,对该网络进行尺度分析并提取脑电信号的特征。（3）为了可以更好的实现对于大脑活动信息的解码,在前面研究的基础上,提出了使用相位同步的方法来建立了功能性脑网络。为了更好的去除网络中的冗余信息,提高整个系统的效率,对网络实现了稀疏化,研究了网络整体特征和局部特征之间的相关性并将其作为特征,采用参数优化后的正则化判别分析（Regularized Discriminant Analysis,RDA）对特征进行模式识别,该方法对脑电意图识别的准确率可达93.47%（p<0.01）。实验结果表明,该方法在处理复杂对象时能够较好地解码脑电图意图,为神经康复学的研究奠定了基础。