“脑-计算机”系统是利用脑电信号实现人脑与计算机或其他电子设备进行通讯和控制的系统。“脑-计算机”系统多应用于医学领域，主要是为大脑功能完好无损但是失去了肢体活动能力的患者提供与外界交流的新方式，比如让重度瘫痪患者使用“脑-计算机”系统来操作自己的轮椅等。在“脑-计算机”系统的研究中，脑电信号扮演着非常重要的角色，而对于脑电信号的特征提取和分类识别则是该系统最为重要的环节。在“脑-计算机”系统中，脑电信号的特征提取和分类识别可以通过多层前馈神经网络的大量学习来实现，但是基于误差反向传播的BP神经网络标准算法收敛速度慢，在训练中效率不高，分类正确率也很有限。针对这些问题，本文提出使用一种快速稳定的Levenberg-Marquardt算法来代替BP算法进行神经网络的学习训练，并利用BCI2008竞赛的Graz数据集B进行了对左右手想象运动脑电信号分类的MATLAB仿真实验。实验结果表明，该方法使得脑电信号分类的正确率达到87.1%，比BP算法的正确率78.2%要更精确，并且替换算法后的神经网络具有更好的收敛性。因此，Levenberg-Marquardt算法为脑电信号的分类研究提供了更有效的手段。脑电信号多种多样，在“脑-计算机”系统中，用户可以通过来自大脑头皮的脑电活动或者大脑内部神经单元的活动来控制设备。这两种方法都有弊端：脑电信号EEG的分辨率有限而且需要广泛的训练，而单个神经元的记录临床风险大，并且稳定性不佳。针对这些问题，本文提出记录来自大脑表层的ECoG信号，此类信号可以让用户迅速准确地控制一维的电脑光标。被试者想象动舌头或者动左小指的MATLAB分类实验的最高分类正确率达到了92%。实验结果表明，ECoG信号相对于EEG信号来说，不仅对功能皮层的定位精确，而且避免了信号在幅度、频率和相位等方面的改变。同时，在二维的信号分类上，基于ECoG信号的“脑-计算机”系统可以为患有严重运动残疾的人们提供更强更有效的交流和控制。