神经性运动功能损伤如脑卒中,会引起患者脑肌神经联系阻碍,最终造成身体瘫痪。目前,针对瘫痪的治疗手段可分为重新构建脑肌连接的理疗手段和构建大脑和机电装置连接的脑机接口（Brain-computer Interface,BCI）手段。理疗手段需要消耗大量的人力,大约80%的上肢瘫痪的患者无法从中获益。BCI可以通过运动想象（Motor Imagery,MI）重新闭合运动皮层活动与肢体机械运动之间的回路,从而一定程度上刺激皮层和肌肉之间的连接。近期的理疗方向研究表明,相对于MI,动态运动想象（dynamic Motor Imagery,d MI）的理疗效果更佳。d MI在MI基础上,让执行者在辅助下尽力去模仿MI动作,因此可以重新闭合运动皮层和肢体肌肉运动之间的回路,直接刺激并重塑脑肌神经连接。BCI结合理疗领域的d MI运动模式,可以降低理疗人力成本并提高理疗效果。本文通过头皮脑电（Electroencephalogram,EEG）采集、脑功能网络（Functional Brain Network,FBN）构建及其特征提取、模式识别,形成了基于d MI的BCI方案。主要研究内容和创新点如下:（1）提出一种新的FBN二值化方法。传统的FBN二值化方法——基于经验阈值二值化、基于最小生成树二值化,均是EEG领域的可靠分析手段。两者考虑了二值化的两个不同方向,因而可以通过融合这两种二值化方法来实现输入特征的类间差异性提升。（2）提出一种可以平衡融合局部特征的极限学习机（Extreme Learning Machine,ELM）变体。多个局部特征在ELM的特征空间层进行随机高维映射时会发生特征融合,但是由于映射基向量的随机分布,导致了局部特征在高维空间中的融合比例的不平衡性。理想融合过程则希望类间差异性较大的局部特征比例较大,因此本文在ELM隐藏层加入融合变量,改善ELM的融合效果。（3）提出一种改良的网格式搜索算法。为了寻找最优参数,本文使用留一法（Leave-one-out Cross Validation,LOO）优化算法。通过使用奇异值分解（Singular Value Decomposition,SVD）分解提取出LOO优化算法中的预计算项,避免网格搜索中的重复计算,因而可以减少原LOO优化算法的计算量。