脑机-接口(Brain Computer Interface,BCI)系统作为一个“翻译器”,能直接解码人脑的意图,把解析出的命令直接发送给外部设备,实现人脑对外界设备的控制。运动想象脑机接口按照被试的控制方式可以分为同步和异步两种,其中异步BCI系统把控制权交给被试,能实现理想中的自由控制,提高了系统的体验感和舒适度。基于运动想象的异步系统因为其自发脑电,无害,方便,舒服等优点在残疾人运动功能辅助、中风以及脑瘫等病人康复方面具有潜在的应用价值。本文研究的对象就是运动想象-脑机接口(Motor Imagery-Brain Computer Interface,MI-BCI)异步系统,主要从以下两个方面展开。首先实现异步MI-BCI系统中最主要的难点就在于区别被试的任务状态信号和空闲状态信号。考虑到运动想象作为一种高级认知过程,需要多个脑区间的信息交互来完成,本文在传统共空间模式(Common Spatial Patterns,CSP)特征提取方法的基础上结合EEG功能脑网络信息,并利用F-score方法对两种模态的特征进行筛选,以实现对异步脑机接口中空闲态的检测。本文在四种不同时间间隔0.5s,1s,2s,2.5s情况下比较了CSP方法,网络属性方法和F-score筛选多模态特征方法的分类准确率和ITR表现,结果显示四种情况下F-score筛选多模态特征方法相比前两种方法均有显著提升。本文还进一步从任务态和空闲态的差异网络结果和F-score有效特征统计排序结果中分析出功能脑网络的连接信息对区分两态信号差异的有效性。从被试差异的角度来看本文提出的方法对于较差BCI表现被试具有更大的提升效果,从而具有更大的实用价值。所有结果可以说明本文提出的多模态特征方法对于空闲状态检测问题的有效性和实用性。此外,本文还进一步研究了利用深度学习进行跨被试空闲态检测的可能性。考虑到脑电数据的高维度时序特征,结构复杂性,本工作提取多个被试组成样本的CSP特征,功率谱特征作为DBN(Deep Belief Network)的输入,提出了包含两个隐层的深度结构,使用训练的该模型进行空闲态检测。结果表明在测试被试不需要进行额外训练的条件下,采用其他被试的已有信息,可以获得0.74的空闲态识别准确率,该结果,从一定程度上说明了,利用DBN学习到的复杂网络结构在跨被试上进行空闲态识别的有效性,为在线MI-BCI提供了一种可选方案。