侵入式脑机接口作为一项前沿探索技术,为造成运动功能受损甚至丧失的诸多疾病（如癫痫、帕金森氏症,以及脊髓神经损伤后的截瘫和四肢瘫痪等）提供了一种替代的解决方案,致力于实现运动功能重建的侵入式脑机接口的研究具有重要的科学价值和现实意义。然而,当前侵入式脑机接口的信息传输率仍然较低,系统的解码性能限制了侵入式脑机接口技术的应用。基于以上侵入式脑机接口发展背景,本文聚焦于侵入式脑机接口的核心和难点,即如何基于脑电信号转译肢体运动信息,以重建上肢运动功能为目的的机器人手臂多自由度控制为例,基于立体脑电对脑机接口解码算法进行研究。对于解码,脑机接口系统作为模式识别系统,在具备更高分辨率和生物兼容性的新一代信号采集设备出现前,数据预处理方法及模式识别算法作为脑机接口系统的重要组成部分,决定着基于现有数据和设备条件的系统的解码性能上限。故本文对脑机接口解码算法的研究从数据预处理方法及模式识别算法两个方面展开以求提高脑机接口解码率。对于数据预处理方法,本文着力探究预处理过程中唯一的空域滤波方法——重参考,基于立体脑电对六种重参考方法进行了多域对比探究,探索了空间滤波对立体脑电信号解码性能的影响,提出了可以优化立体脑电解码性能的最适空间滤波方法以提高立体脑电信号质量从而促进系统解码性能的进步;同时,最适空间滤波方法的提出有助于规范立体脑电的数据预处理流程,从而提高侵入式脑机接口领域相关研究的可重复性以及研究间的可对比性。对于模式识别算法,本文首先基于已应用于非侵入式脑电的三种卷积神经网络模型,探索了其在侵入式脑电解码中的可行性。继而基于网络的结构共性,结合立体脑电多源混淆的特点,提出了一种新的深度卷积神经网络DADCNet。DADCNet通过Discriminant Analysis层设计增大了类间可区分度,进一步的数据验证结果表明,其基于立体脑电的解码表现显著优于其他网络。同时,针对网络结构的合理性及网络特征选择的可解释性问题,本研究还开展了多网络的可视化研究,通过对各个网络层级予以视觉化分析,验证了网络结构设计的合理性并阐释了DADCNet的优势所在。最后,为应对当下严峻疫情对侵入式脑机接口实践造成的现实困难,本文基于立体脑电搭建机器人手臂遥操作脑机接口系统。基于Ubuntu系统搭建机器人操作系统,通过机器人操作系统话题的发布与订阅实现脑机接口系统用户端与控制端的远程通信,同时基于本文探究通过Matlab与Python混编多模式识别算法,从而构建不受空间限制的、具有更优解码性能的多自由度机器人手臂遥操作系统,基于立体脑电数据离线测试实现对x-y二维平面运动及主动抓取动作的远程控制。