许多世纪以来，思想家和科学家一直在试图理解人的精神现象是如何产生的或人脑是如何工作的。自从上世纪20年代被发现以来，脑电(EEG)就成为临床诊断和科学研究中最有用的工具之一。EEG是对大脑皮质层电生理活动的记录，所记录的脑电信号是对大脑功能和状态的反映。作为对大脑功能和状态的一种反映，脑电数据中包含有许多有价值的信息，是研究大脑这个复杂系统的一种重要途径。 我们可以通过脑电仪测得脑电信号这一事实激发了无数科学家和艺术家的想象力，他们设想把脑电信号作为一种通信和控制的媒介，应用到人机交互中，并尝试借助于计算机来设计和实现这样的系统，这种系统能够记录和分析受试者的脑电活动，从所记录的脑电时间序列数据中提取出与受试者的认知活动相关的EEG模式特征，根据所识别的特征，产生能够控制计算机或其他外周设备的控制命令。由于此类系统能够使受试者不依赖于外周神经、肌肉等通常的脑输出通道，直接通过大脑达到计算机进行交互的目的，因此该系统被称为脑机接口系统(Brain-Computer Interface，BCI)。 脑机接口系统的设计和实现是一项复杂的系统工程，涉及到医学、生物学、计算机科学、电子、机械工程等多个学科，需要投入相当多的人力和物力。而且，目前BCI研究中所需要的无噪声、理想的EEG采集环境、昂贵的设备并不总是能够获得；另外，在实际的系统设计和实现之前，设计方案的验证也是非常必要的。因此，本文的研究不是探讨如何设计和实现BCI系统，我们的研究更加关注于BCI研究的核心问题—EEG模式特征的识别和分类。在本文中，我们通过离线的仿真模拟在线的实时BCI系统，研究BCI中的核心问题。 EEG数据的随机性、我们关于EEG的知识的不完备性，以及分类问题的模糊性、随机性等问题，使得在面向脑机接口的EEG模式分类中存在不确定性问题。本文针对EEG模式分类中所存在的不确定性问题，结合人工智能中的定性推理和云模型等不确定推理方法，(1)提出了基于对视觉观测进行定性建模的棘波脑电检测方法，并通过试验验证了该方法的有效性； (2)提出了基于云模型的特征提取方法，并将其应用到仿真BCI系统—“随意敲击键盘”(self-paced key typing)的认知实验中，利用所提取的特征，构建了线性回归等分类模型，并在对实验过程中所采集的运动相关脑电的预测中取得了较高的分类正确率。 (3)针对离线仿真BCI系统，我们从系统性能和系统可信度两个方面提出了一系列的BCI评估方法，从EEG输入数据的有效性、输出结果的正确性以及将输入转化为输出的转换算法的复杂性三个方面对离线仿真BCI系统—“随意敲击键盘”试验的性能做出评估；并从构建仿真BCI系统的概念模型入手，提出一种基于信度网络的系统可信度评估方法，该方法可以综合评估整个仿真BCI系统的可信度，为BCI系统的设计和验证提供了一种评估方法。 本文中的研究所采用的脑电时间序列数据均来自于国际上的通用的公共数据库，这些数据已经被许多研究机构和小组所采用，受到普遍的认可。同时，本文中所给出的方法均经过了试验验证，并且进行了与相关方法的对比分析和讨论。