脑卒中患者运动康复训练和功能评价已成为人工智能、神经科学和康复工程等领域的交叉研究热点。其中,基于脑电和肌电信号的人机接口能够帮助患者实现对外部设备的控制,激发患者主动运动意图并促进神经重塑,改善康复训练效果。然而由于脑电和肌电信号的微弱性、复杂性特征以及患者运动时会出现疲劳、肌力不足等情况,目前单独基于脑电信号或肌电信号控制的康复系统在控制准确性和稳定性以及康复状态评价等方面仍有待进一步研究。本文研究脑电和肌电信号融合及同步分析方法,利用脑肌电信号间的协同互补性来提高运动模式识别的准确率和稳定性;同时,分析脑肌电信号间的多层次同步耦合关系,从神经运动控制层面解码手部运动控制神经生理机制,为进一步应用于康复机构控制和临床康复功能评价提供理论基础。首先,总结脑电信号和肌电信号在康复工程领域的研究及应用现状,介绍了脑电和肌电信号的产生原理、特征属性、采集原理及预处理通用方法,并提出相应的预处理算法用于去除实测脑电和肌电信号的伪迹干扰。其次,针对脑肌电信号间的协同互补性特点,提出基于粒子群优化-支持向量机的脑肌电特征融合方法:定义“融合系数”将脑电和肌电特征进行融合,利用支持向量机和粒子群优化算法实现融合系数的自适应优化和运动模式分类,进而实现脑肌电特征的有效融合以提高运动模式分类准确性;并通过调整脑肌电特征“融合系数”降低由于患者肌力不足、疲劳带来的影响,提高模式识别系统稳定性。再次,为探索脑肌电间多层次的同步耦合关系,在对比分析一致性、格兰杰因果、传递熵三种同步性分析算法基础上,提出了时频传递熵算法,从时频、方向性和非线性角度研究脑肌电信号间的信息传递特性。通过对每种算法的仿真分析验证本文算法,可用于描述不同耦合模型间的信息传递关系。最后,对脑肌电信号融合模型和同步分析方法进行实验研究。同步采集9名健康被试在单侧手腕弯曲和伸展状态下的脑电和肌电信号,利用粒子群优化-支持向量机的脑肌电特征融合模型实现对单侧手腕弯曲和伸展运动模式的有效分类;同步采集10名健康被试4种不同握力下的脑肌电信号,并利用一致性、格兰杰因果、传递熵和本文提出的时频传递熵算法分别刻画不同时频段、不同传递方向上的皮层肌肉间线性与非线性耦合特征,验证本文方法的有效性,同时揭示皮层肌肉运动系统控制手部力量输出的神经机制。