脑-计算机接口(Brain Computer Interface，BCI)技术可以提供一种不依赖于人体外周神经系统及肌肉组织、建立人与周围环境间信息交流与控制的新型通道。近年来，基于脑电(Electroencephalogram，EEG)信号的BCI技术已成为康复领域新的研究热点。本文的研究目的是利用人的自发脑电，识别几种特定的意识任务形成较为复杂的控制命令，实现人脑与计算机间的信息交换，希望为有严重行为障碍的残疾人提供帮助。这种基于自发脑电的BCI系统，由于系统简单(脑电记录简单且无创)，不需要外部刺激装置，训练过程短，因此适应范围广，是一种非常有前途的BCI系统。但从头皮上获得的自发脑电信号的信噪比低，因此有效的EEG信号处理方法是BCI研究的一项关键技术。本论文在总结前人工作的基础上，对EEG信号进行了以下几个方面的深入研究。(1)脑电信号的预处理由于脑电信号本身极其微弱，非常容易受到各种干扰与噪声的影响，因此对脑电信号的去噪是必要的。本文分别采用了小波变换、卡尔曼滤波去除EEG信号中的心电、眼动伪迹、脑电等干扰信号，并且都取得了很好的效果。(2)提取脑电信号的多个特征量有效的提取大脑思维活动的意识信息是BCI研究的关键技术之一，是正确识别不同意识模式的基础。本论文基于小波变换和shannon熵概念的小波熵、基于Lempel-Ziv算法的复杂性度量——C0、C1、C2复杂度、Pincus等提出的近似熵和Richman等提出的样本熵四种方法，来实现想象左右手运动两种意识任务的特征提取；并且分析比较其优缺点。最终分类结果表明：采用小波熵和复杂度可获得较好的分类效果。(3)意识任务分类器的设计分类器的设计是BCI系统中的另一十分重要的环节，分类器的性能将直接影响BCI系统的性能。本文采用了Fisher线性判别、RBF神经网络、K均值RBF神经网络和支持向量机(Support Vector Machine，SVM)四种分类方法。其中，支持向量机以统计学习理论为基础，它不仅要求最优分类面将两类样本无错误的分开，而且要使类间间隔最大，从而保证真实风险最小，能够较好地解决了小样本的分类问题。应用四种分类方法分别对想象左右手运动两种意识任务进行分类，并对不同分类器的分类结果进行了比较，分析优缺点。最终分类结果表明：支持向量机的分类正确率最高，能够很好的识别出想象左右手运动两种意识任务，取得了理想的分类效果。最后，研究结果表明：当提取适当的、可反映不同意识任务状态的有效信息，并采用合适的的分类器时，不同的意识任务状态能够正确的分类识别。其中以小波熵和复杂度为特征量、以支持向量机为分类器时，分类结果最好，可达到90％的分类正确率。这说明小波熵、复杂度和支持向量机能够作为现在BCI系统设计中一种可行的特征提取方法和分类器，也说明应用二分类BCI系统进行两种意识任务识别具有广阔的前景。