脑机接口（brain-computer interface,BCI）可以提供一种不依赖神经肌肉传导的人机交互通道,将头皮脑电信号（electroencephalography,EEG）作为信息载体,传输到计算机并转换为外部设备的控制指令,实现人脑和外部环境或设备的直接交互。BCI领域的研究有着重大的理论价值和广阔的实用前景。如何提高系统的性能以及发展更实用的BCI系统,是BCI领域的重要研究课题。本文的主要研究方向为BCI领域中的情绪识别和注意力检测,并对其应用进行探索研究。为了探究人脑处理高兴情绪以及悲伤情绪的脑模式,并开发情感交互脑机接口系统,本文提出了一种情绪识别脑机接口系统。该系统采用高兴和悲伤的情绪影片作为刺激材料,诱发被试相应的情绪反应。10名健康被试首先测试了该情绪识别BCI系统的有效性,取得了91.5%的平均在线识别准确率。离线分析的结果表明,高兴和悲伤情绪的大脑模式具有差异性,特别是在theta（θ）频带的前额区域、beta（β）以及gamma（γ）频带的颞叶区域。然后,该情绪识别BCI系统被应用在意识障碍患者的情绪诱发和识别上。参与实验的8位意识障碍患者之中,有3位患者的情绪被成功的诱发和识别。进一步的数据分析显示,这3位患者的情绪模式和健康被试的比较相近,说明患者还具备一定的情绪处理及认知能力。实验结果表明,本文所提出的情绪识别BCI系统为意识障碍患者的临床情绪检测提供了潜在的手段。然后,为了提升上述情绪识别BCI系统的性能以及研究更多不同类型情绪的脑模式,本文提出了恐惧情绪识别的BCI系统。和高兴以及悲伤情绪不同,恐惧情绪能够更快速的诱发强烈的脑电反应,可能更适用于临床的情绪诱发和识别。本文融合了功能连接的脑网络分析方法和传统频谱分析的方法对恐惧情绪和中性情绪进行分类识别以及模式研究。结果表明,侧重于各脑区之间信息交互的脑网络方法和传统的频谱能量激活的方法都包含有区分两类情绪状态的信息。两种分析方法从不同的角度解析大脑处理情绪的模式,但得出的结论具有一致性。接下来,为了研究耳鸣患者的静息态频谱特性以及耳鸣患者和健康被试注意力的差异性,本文设计了包含静息态和任务态的注意力测试实验,采集了16名耳鸣患者以及同等数量健康被试的EEG数据。方法上,使用时频分析方法对比耳鸣患者和健康被试的频谱图,并通过统计检验的方法找出具有显著性差异的大脑区域和频带范围。静息态的实验结果表明,耳鸣患者的频谱能量在所关注的全部频带上都高于健康被试,具有显著性差异的区域主要集中在θ和α频带右侧颞叶,β以及γ频带的颞叶、前额和顶叶区域。任务态实验结果显示,耳鸣患者注意力分类准确率明显低于健康被试,耳鸣可能导致了患者的注意力衰弱。最后,本文使用深度学习的方法,开发了无需训练的、更便携的高性能注意力检测BCI系统。具体地,首先使用Neuroscan放大器以及自主研发的头环设备,采集了大量被试的注意力数据。然后,信噪比更高的Neuroscan设备采集到的EEG数据被当作训练集,建立了跨个体的深度学习模型,并取得了较高的识别准确率。最后,将得到的跨个体的深度学习模型进行微调,使模型适用于头环设备。实验结果表明,使用Neuroscan设备采集数据所建立的深度学习模型,能够很好的迁移和应用在头环设备的注意力检测之上。在建立可靠的注意力检测模型之后,我们使用头环设备开发了在线的注意力调控系统,实时的对被试的注意力水平进行检测并通过屏幕上曲线动态的反馈给被试。测试结果也验证了我们的注意力BCI系统能够很好的检测和反馈被试的注意力。