随着计算机科学、生物学、控制理论等学科的不断发展,脑机接口（Brainmachine Interface,BMI）在残障人士运动功能重建的临床应用中表现出巨大潜力。根据获取神经信号方式的不同,脑机接口可以分为非植入式脑机接口和植入式脑机接口（Intracortical Brain-machine Interface,i BMI）。本文的研究是基于植入式脑机接口进行的。植入式脑机接口通过在大脑皮层中植入神经微电极的方式获得神经信号,然后将大脑的神经信号解析成外部设备的控制命令。这种转化实现了大脑和外部设备的信息交互并解码了运动意图,为残障人士重建运动功能提供了一种新的途径,在未来的临床应用中具有重要前景。这一技术涉及到多个交叉学科,是目前科研领域的研究热点之一。本文首先开展了非人灵长类动物的植入式脑机接口实验。设计了猕猴的抓握运动实验范式,通过研究确定猕猴大脑植入电极的准确位置并且手术植入三个神经微电极,得到了大脑中与抓握运动高度相关的神经信号。最后,对原始神经信号进行预处理,通过阈值交叉的方法得到神经元峰电位动作序列,最终得到由特征向量组成的与单个神经元活动对应的神经元活动矩阵。针对目前脑机接口中大量神经信号标注困难的问题,本文提出用于神经解码的贪婪抽样主动学习算法。不同于传统方法随机选择训练数据,该方法主动选择训练集中最具多样性的样本进行标注并训练解码器。针对贪婪抽样容易受原始数据中异常点影响的问题,本文提出对神经信号进行去噪处理,通过异常点处理提高解码器鲁棒性和解码准确率,取得了比流行的主动学习算法更高的稳定性和准确性。最后,在猕猴抓握实验中提取的神经信号的基础上验证了所提出的算法的性能,所提出的三种算法的平均解码准确率分别达到了94%、97%和98%,实现了对猕猴抓握运动方向的神经解码。脑机接口在临床应用中需要能够在线解码,但是,一方面,神经信号的非平稳性导致解码器在应用时需要重新校准,另一方面,残障人士也无法提供真实的运动输出训练解码器,这都导致了解码器无法满足临床在线解码的要求。针对这个问题,我们提出了结合迁移学习和批处理方式的强化学习算法。相比于传统解码方法,此方法通过与环境交互过程中产生的奖励信号代替肢体运动输出,并且每次只要少量最新的当前样本更新权值,同时提高了在历史数据和当前数据间的域自适应能力,最终解码器解码不同天数的数据准确率提高到90%以上,权值更新效率提高了超过70倍。