对脑电信号的正确识别是决定脑-机接口性能最关键因素，因此基于脑电信号分类识别算法的研究显得尤为重要。对于基于脑电信号（electroencephalogram，EEG）的脑-机接口系统，共空域模式（common spatial pattern，CSP）算法被广泛应用于解码相应神经元活动空间模式，并且对于两类运动想象的分类识别效果很好。多类模式的CSP算法有三种表现形式，第一是将多类转换成一对一（one versus one，OVO）CSP模式，第二是将多类转换成一对多（one versus rest，OVR）CSP模式，第三是基于近似联合对角化方法（approximate joint diagonalization，AJD）的CSP模式。虽然基于OVO算法的分类准确率较高，但是稳定性差，在此提出基于KNN分类的OVO-CSP改进型算法来提高稳定性。结果证明，改进算法在分类准确率及稳定性上都有提升。对脑电信号的预处理过程包括各种滤波，很多个性化的频带选择算法被提出，但是大多数的算法都是根据分类结果来选择频带，这种由果到因的选择方式并不适用于实际的操作。因而本文选用功率谱分析对子带进行选择，并且提出在多个子带同时对多类运动想象数据进行滤波，分别结合CSP算法将提取到的特征矢量进行组合，再进行分类。实验结果证明该方法对同一组EEG数据做交叉验证的分类效果较好。CSP算法是一种空域分析法，是对最能表征某类运动想象的空间（通道）进行加权来对源信号进行降维。按理说通道越多，越能为每类运动想象找出最适合通道作为空间滤波器；但是通道数越多，意味着需要更多的记录电极，这将增加实验的复杂度，不利于实验数据的采集；并且有研究表明，20左右数目的电极能够采集足够的脑电信号用于分析。因此本文提出一种在不增加电极的前提下，对已有通道数据进行时间延迟，将延迟得到数据迭代到空域中，以完成通道数的倍增，再根据最优模式数来选择倍增后的最优通道。实验数据证明此种方法能够有效地提高单组数据分类准确率，并且验证了最优的扩展次数；对于不同时期数据集的交叉验证，扩展一倍后得到的分类准确率也有较好的提高。