近年来,随着机器学习的火热发展,脑机接口研究领域也重归热门,相应的也暴露出很多问题。脑电信号的基本特点就是非线性和非平稳性,这就表明不同人的脑电信号差异巨大,在进行预处理和特征提取时,没有统一的完美的方法。鉴于此,本文针对2008年BCI CompetitionⅣ的Data sets2a数据集的9位受试者的脑电信号,提出了一种新的预处理方案。此外,本文首次引入SSA对SVM分类器进行核系数和惩罚系数选优。本文主要进行了以下研究:（1）在预处理过程中,设计了一套新的预处理方案:带通滤波+滑动时间窗口+叠加平均。传统时间片的选取一般是固定时间段,这种方式对不同的受试者具有局限性。首先针对原始数据集进行FIR带通滤波,然后利用滑动窗口选择时间段,再对时间段进行叠加平均。（2）在特征处理方面,本文选择小波包变换+共空间模式对预处理后的数据进行特征提取。传统的小波变换对高频部分的信号不太友好,小波包变换很好地克服了这个缺点,对时频域的特征非常敏感,共空间模式能有效的提取空域特征。这种特征提取的组合,兼顾了时域、频域和空域的信息。（3）为了验证本文新的预处理组合的有效性,本文设计了三个传统分类器:ANN、CNN和SVM。这三个分类器的分类结果表明本文提出的预处理方案是有效果的,可以在一定程度上提高分类准确率和Kappa系数,尤其是信号质量不好的脑电信号。此外,针对本文数据集的第7位受试者,其数据非常优异,SVM分类的平均分类准确率能达到86%,是所有分类准确率中最高的。（4）虽然工作（3）已经验证了本文新提出的预处理方案的有效性,但是三个分类器中分类效果最好的SVM相比于其他文献,还是略有不足。为了进一步提高分类准确率,引入SSA用于优化SVM核系数和惩罚系数,提出一种新的优化方案:SSA-SVM。通过实验,与工作（3）中设计的三个分类器进行效果比对,分析结果表明SSA-SVM分类器在整体上提升非常明显,最高的平均分类准确率达到了90%。针对数据质量不好的受试者,分类效果提升也很明显。最后通过与其他具有类似特征提取的方案的文献进行效果比对,结果表明SSA-SVM依然具有优势。通过本文的研究,不仅为脑电信号的预处理提供了一种新的方案,也为脑电信号的分类提供了一种新的思路。