通过非侵入式技术采集的运动想象脑电信号（Electroencephalogram,EEG）被广泛用于控制辅助设备或者康复设备。迄今,基于运动想象EEG信号的脑-机接口（Brain–computer interface,BCI）应用,大多使用监督算法解码EEG信息。但是,监督模型训练和校准的耗时过程限制了BCI应用的推广。聚类模型被用于识别脑电意图以降低BCI应用的训练进程。但是很多聚类方法在应用时遇到了可解释性发展瓶颈,亟需开发面向BCI可解释性的聚类分析方法。可解释性聚类不仅可以实现对观测数据进行类别的划分,同时清楚解释每个集群的差异。本论文以可解释聚类模型为基础,实现解码单实验运动想象EEG信号。并在此基础上提出重构特征空间方法优化多维脑电特征,同时提出优化方法进一步提升可解释聚类模型的识别性能。论文的主要工作内容如下:（1）提出一种基于判别矩形混合模型（Discriminant Rectangle Mixed Model,DRMM）方法解码单实验运动想象EEG信号以降低BCI应用的训练进程,同时克服传统聚类方法给出复杂的决策二次边界,没办法解释每个集群之间差异的弊端。提出使用矩形决策规则定义脑电特征的边界,同时每个矩形决策边界服从高斯分布。由于决策矩形不可微分,即没办法优化矩形决策边界。本论文使用基于sigmoid逻辑函数定于软矩形决策边界,并通过变分推理来近似矩形决策规则的分布。每个矩形决策规则可以清楚解释一个群集和另一个群集之间的差异使得聚类结果具有较高的解释性。使用共空间模式（Common Spatial Pattern,CSP）从公开数据集和辅助数据集中提取多维脑电特征矩阵,在特征降维时,使用Fisher比率作为成本函数,自动寻找Fisher比率最大值对应的投影方向作为最佳投影方向。DRMM学习最优特征后,得到每类脑电特征的矩形决策规则,同时把DRMM可解释聚类结果与标准模型作对比。实验结果表明,当涉及识别脑电意图时,DRMM与标准模型相比具有相当甚至更优的识别性能。（2）提出一种最优特征空间重构的方法优化多维脑电特征矩阵以提高最优脑电意图特征的可分性。以最大可分性对多维特征建立判别准则并求解判别准则最大特征值,同时把最大特征值对应的特征向量作为第一个最佳投影方向。引入待求解特征向量与已知投影方向正交的约束条件,使得求解的特征向量满足空间坐标基要求。把多维脑电特征向特征向量构成的最优特征空间投影获得具有更高可分性的二维、三维脑电意图特征,以提高DRMM识别最优脑电特征准确率。把DRMM识别两种意图特征结果与标准模型作对比,结果证明本论文提出的方法具有良好的表现,同时二维最优特征具有更高的稳定性。（3）提出一种优化DRMM方法以降低异常值对可解释聚类方法识别最优特征的影响。使用无监督方法检测最优特征中的异常值,以克服蒙特卡洛采样需要丰富的先验知识的弊端,同时可以避免监督模型耗时的训练进程。构建一定数量的孤立树,以特征在孤立树的搜索路径长度为基础,构造异常得分公式以评估每个样本的异常程度。在确定异常值基础上,使用DRMM确定脑电特征中每个类别的矩形决策规则。异常值与每个决策矩形的位置为主,以欧几里得距离为辅完成异常值的类别预测。并在此基础上,验证优化方法中最优参数选择问题。实验结果证明本论文提出的优化理论方法有效,同时可以进一步提高DRMM解码单实验运动想象EEG信号的准确率。