脑机接口通过大脑产生的脑电信号（Electroencephalogram,EEG）实现人脑与计算机或其他设备之间通信和控制，为人类和环境之间提供了新的通信和控制渠道，拓宽了人类的控制能力，具有广泛的应用前景。然而，用于脑机接口（Brian-computer Interface,BCI）设备研究的脑电信号是一种微弱、非线性、非平稳并且随时间变化的信号，因此有效的特征提取方法是改善识别精度的关键。　　论文首先对运动想象脑电信号的现代分析方法进行综述，着重介绍多种脑电信号特征提取方法，其中，对经典算法的改进方法以及多种经典算法的组合方法进行了详细地阐述。　　其次，在综述分析的基础上，针对公共空间模式分解算法需要大量通道信号和缺乏频域信息的缺点进行改进，论文提出了一种公共空间模式算法（Common Spatial Pattern，CSP）结合经验模式分解（Empirical Mode Decomposition,EMD）的特征提取方法。EMD-CSP算法先将信号进行经验模式分解得到多个固有模态函数（Intrinsic Mode Functions,IMFs），选取符合μ节律和β节律的振荡模式组合成多通道信息簇，基于由公共空间模式滤波后的信号能量选取成分构造新的空间滤波器提取特征，得到特征向量集，经支持向量机分类后得到所有9位受试平均分类正确率为92%，其中，最高的受试达到93.8%。改进的CSP滤波成分选择方法在保证分类正确率的基础上大大减少了实际使用的通道数量，为便携式脑机接口设计提供了简单可行的方法。论文还设计了思维任务实验，探究不同实验范式对特征分类结果的影响，选取较优的实验范式。　　最后，一方面，为提高分类正确率，运用S变换进一步优化CSP滤波器，将公共空间模式算法分别与集总经验模式分解（EnsembleEmpirical Mode Decomposition,EEMD）、双谱分析算法结合构造联合特征。另一方面，为缩短分类过程耗时，从分类器参数优化、采用不同分类器、特征降维三个角度进行研究。论文结合实验数据和竞赛数据分析特征，从分类正确率和时间响应度出发，验证基于CSP的联合特征优化方案的可行性与有效性。结果表明：采用双谱-CSP的联合特征结合线性判别分类器(Linear Discrimination Analysis,LDA)的优化方案获得更优的分类正确率和更快的特征提取速度。