脑机接口(Brain-computer interface,BCI)是通过分析反映大脑功能的脑电(Electroencephalograph,EEG)信号实现人与计算机直接通信的一种新型人机交互系统,已广泛应用于军事、助残康复、灾害救援、娱乐体验等多个领域。在脑电信号分析研究中,事件相关电位(Event-Related Potential,ERP)通过多试次叠加而具有稳定的潜伏期、恒定的波形等优点,是脑电信号分类中的主要研究对象。但是实时BCI系统需要对单试次脑电信号进行分析,其最大难点在于单试次信号信噪比低,且性能与实验设计、预处理、分类方法等都有很大关系。对于不同类型的脑电数据,目前还没有比较系统全面的基于单试次的预处理和特征提取方法的对比分析研究。针对以上问题,本文在包括四个稳态视觉诱发、三个运动想象和一个帕金森疾病检测的三种类型共八个EEG数据集上,使用现有的比较成熟的预处理和特征提取方法对每个数据集分别进行处理,根据单试次信号分类准确率对预处理和特征提取方式的性能进行了对比分析研究,总结了这三类脑电信号比较适合的单试次分类方式。首先,在预处理方面,脑电数据的预处理与研究目的和实验设计有关,没有标准的流程,但是不同预处理步骤之间存在相互影响关系,其顺序对于分类结果也有影响。在加州大学圣地亚哥分校SCCN实验室提出的EEG信号预处理流程的基础上,本文提出了一种改进的噪声移除方法,首先对原始信号进行分段线性回归分析去除基线漂移,然后使用多窗谱进行工频噪声抑制,接着进行截止频率为0.1-1Hz的高通滤波,最后使用盲源分离进行生理伪迹移除。对稳态视觉诱发数据集一的一个被试和运动想象数据集三的五个被试,在SCCN实验室提出的和本文改进的预处理流程处理后的数据上,分别采用共同空间模式(common spatial pattern,CSP)与频率带的组合特征进行分类,四个被试在改进后的预处理流程上的分类准确率比SCCN实验室的预处理方法提高0.5%左右,验证了该预处理流程的有效性。在特征提取方面,本文分别从时域、频域、空域和多域进行分析。实验结果表明,对于稳态视觉诱发类脑电信号,仅使用时域最具判别性时间窗的特征进行分类的准确率高于频域使用多窗谱估计提取的特征进行分类的准确率,在本文研究的四个稳态视觉诱发数据集上平均高4%;采用时频域特征进行分类的准确率比只用时域或频域的平均高1.4%,表明多域信息互补有助于提升单试次EEG信号的分类准确性。对于运动想象类脑电信号,本文提出了一种改进的根据得分函数选择滤波器的CSP方法,使用该方法提取空域特征进行分类可以获得不错的分类结果,在运动想象的三个数据集的分类准确率比使用传统CSP方法平均高1.2%;改进的CSP方法在使用之前需要进行线性滤波并选择时间间隔、带通滤波器的截止频率、以及CSP滤波器的子集等参数,实验结果表明,根据被试选择合适的参数之后,在本文研究的三个运动想象数据集上,有两个数据集的分类准确率比使用固定参数提高了3%左右,另外一个没有明显的提升,原因可能是该数据的通道数只有三个。疾病检测脑电是一种特殊的脑电类型,不同疾病表现的特征不一样,对于本文的帕金森疾病检测脑电数据,本文通过交叉验证选择判别性时间窗并根据被试选择合适频段提取多域特征进行分类,实验结果表明药物治疗组的平均分类准确率为73.8%,非药物治疗组的平均分类准确率为74.2%,比目前最好的根据先验确定时间窗和频段提取特征进行分类的准确率平均高0.4%;使用改进的CSP方法,在该数据集上实现了与时频域特征一致的结果。此外,本文还使用了双线性判别分析(Bilinear Discriminant Component Analysis,BDCA)的时空域方法,在稳态视觉诱发数据集二和运动想象数据集三上,分类准确率比现有最好的方法低1%左右。BDCA方法不需要过多的预处理,但是耗时较长,不适合实时BCI系统。对于分类器方法,在没有特殊说明的情况下,本文均使用支持向量机(Support Vector Machine,SVM)进行分类。当分类效果不好的时候,改用随机森林分类器,对于使用SVM分类效果不好的稳态视觉诱发数据集四,使用相同的特征类型,随机森林分类器的准确率比SVM高2.8%。最后,本文设计了基于脑电的人脸识别实验,采集了九个正常被试人脸识别过程中的脑电信号并进行分析。首先,采用本文改进的预处理流程进行脑电信号预处理,接着将预处理后的数据分别从时域、频域和空域进行分析。在时域,先使用独立成分分析(Independent Components Analysis,ICA)增强时域信号,然后确定时域分析窗,该窗的确定采用根据先验知识选择和根据被试选择两种,实验结果表明,后者的平均分类准确率比前者高1%;在频域,提取每个被试最具判别性的频段,使用多窗谱提取每个频段的特征进行分类的平均准确率为68.8%,比只用时域特征分类的平均高8.4%,比采用时频域联合特征进行分类的平均低3.3%,证明了多域互补信息有助于单试次脑电信号的分类;在空域,先使用ICA在空域增强信号来提高信噪比,然后通过PCA降维,接着用本文改进的CSP方法提取特征进行分类,在该数据集的九个被试上,平均分类准确率达到了81.9%,比使用传统CSP分类的平均高5.7%,验证了改进CSP算法对单试次脑电分类的有效性。在此基础上,采用一种训练集扩展的方法,将被试一的测试样本作为每个被试的扩展训练样本,在扩展后的训练集上提取多域特征进行分类,九个被试的平均分类准确率提升了3%左右。