脑-机接口(Brain-computer interface, BCI)一种新型的人机交互系统,它以脑信号为信息载体,直接把人的思维活动转换为控制命令来控制外部设备。BCI在医疗、军事、交通等领域有着广泛的应用前景。其中,基于运动想象的BCI的研究,是近年来BCI研究领域的热点。提高该类BCI系统的可靠性与性能的关键在于对运动想象脑电信号的模式识别,主要包括三部分：预处理、特征提取和分类,本文的重点是针对运动相关电位(Movement related potential, MRP)和事件相关去同步/同步(Event-related desynchronization/synchronization,ERD/ERS)的特征提取和分类算法的研究,主要工作包括：(1)证明判别空域模式算法(Discriminative spatial patterns,DSP)的空间滤波与特征选择和分类的不一致。DSP的空间滤波通过调整时间序列之间的距离来让不同类别的数据分离开,但DSP最终采用时间序列的均值来作为特征,这与空间滤波是不一致的。此外,DSP的空间滤波器和后续的分类器也不是基于同一目标进行优化的,因此,DSP的空间滤波和分类是不一致的。这两个不足可能会降低分类精度。(2)一种针对MRP特征提取和分类的基于逻辑回归的联合框架研究。该框架是对DSP算法的扩展。针对DSP的空间滤波和特征选择的不一致,该框架直接计算空间滤波后时间序列之间的距离来作为分类特征。针对DSP的空间滤波与分类的不一致,该框架将空间滤波、特征提取和分类联合在同一个最小化经验风险的优化问题下,对三者进行联合优化。实验结果证明,基于逻辑回归模型的联合分类框架能够更加准确地提取MRP的时空特性,有效提高BCI系统的分类精度和鲁棒性。(3)一种针对ERD特征提取和分类的基于线性岭回归模型的联合框架研究。该框架运用高斯核函数来计算各电极之间的非线性空间相关性,并以此作为ERD的分类特征。此外,该框架整合了信号的预处理、特征提取和分类,并对三者进行联合优化,利用梯度下降法求最小留一交叉验证误差来自动选择出最优的预处理和分类参数。实验证明,该框架能提取更准确的ERD特征,提高ERD分类精度。