近年来,脑机接口（Brain Computer Interface,BCI）技术作为一种新兴的人机交互技术,一直是人们关注的研究热点,被广泛应用于医学治疗、交通控制、军事和娱乐等领域。基于运动想象脑电信号的BCI技术是目前BCI技术的主要研究方向之一,其关键技术在于脑电信号特征的有效提取和准确分类。但是脑电信号非常微弱、信噪比较低,且存在个体差异性较大等问题,导致多类运动想象脑电信号的特征提取比较困难以及识别率较低。因此针对上述问题,本文主要围绕多类运动想象脑电信号的特征提取和分类进行了研究,主要工作包括:（1）针对运动想象脑电信号非常微弱,且包含大量噪声信号而造成特征提取困难的问题,提出一种基于小波变换和共空间模式（Wavelet Transform and Common Spatial Patterns,WT-CSP）的脑电信号特征提取算法。该算法首先利用WT对有效时域上的脑电信号进行频域分解,并将与运动想象相关的特定频段进行重构;然后利用“一对多”CSP通过构建空间滤波器对重构后的脑电信号进行空间滤波;最后选择差异性较大的脑电信号进行特征提取以获得有效特征。实验仿真结果证明,该算法可以有效地滤除噪声信号,提高脑电信号的信噪比,且获得的不同类别脑电特征之间区分度较大。（2）针对多类运动想象脑电信号分类精度较低的问题,提出一种基于支持向量机（Support Vector Machines,SVM）的运动想象脑电信号分类算法。对于运动想象脑电信号的非线性分类问题,该算法结合SVM在多分类问题中的扩展,通过非线性SVM的原理设计“一对一”SVM分类器;并采用网格搜索法优化分类器的参数以改善分类性能,提高多类运动想象脑电信号的分类精度。实验仿真结果验证了该算法的可行性和有效性。（3）为进一步提高多类运动想象脑电信号的分类精度,提出一种基于卷积神经网络（Convolutioanl Neural Network,CNN）的运动想象脑电信号分类算法。对于上述WT-CSP算法提取出的脑电特征具体形式,有针对性地设计了一个具有七层网络结构的CNN分类模型;同时对网络参数设置和模型训练方法进行了深入研究,以提高CNN的分类性能,且通过采用Dropout方法以降低模型的过拟合程度。实验仿真结果表明,该算法可以有效提高多类脑电信号的分类精度。（4）针对脑电信号个体差异性造成特征提取不准确,分类精度难以进一步提高的问题,提出一种基于NDDPSO-CSP-SVM的脑电信号特征提取及分类算法。在该算法的设计过程中,首先是提出一种新型的分布式时滞粒子群优化算法（Novel Distributedly Delayed Particle Swarm Optimization,NDDPSO）,通过引入分布式时滞信息以提高算法的综合搜索性能,使其能够准确优化出不同个体脑电信号的最佳时频参数,从而获得与运动想象相关性最大的脑电信号时间段和频段;然后利用“一对多”CSP对基于优化时频段的脑电信号进行特征提取;最后利用“一对一”SVM对脑电特征进行分类识别,并且将分类错误率作为NDDPSO算法的适应度函数值。实验仿真结果证明了该算法的可行性和优越性,能够有效改善个体差异性问题,且获得的分类精度具有较大提高。综合以上研究内容,本文共提出三种运动想象脑电信号特征提取及分类算法:WTCSP-SVM组合算法、WT-CSP-CNN组合算法和NDDPSO-CSP-SVM算法,为运动想象脑电信号的特征提取及分类问题提供了新的研究思路。