脑-机接口(BCI)是在人脑和计算机或其他电子设备之间建立不依赖于常规大脑信息输出通路的全新对外信息交流和控制技术。脑电信号蕴含了大脑活动的丰富信息,通过采集和分析脑电信号,提取运动想象诱发的脑电特征并进行正确识别,可以实现大脑对外部设备的有效控制。这对于大脑思维正常但丧失了肢体运动功能的人来说,提供了一种全新的与外界交流的手段。BCI技术在人工智能、康复工程以及军事、航天等多个领域中有重要的潜在应用价值。对BCI中的运动想象脑电信号进行模式识别,国内外已进行了较多研究,目前对左、右手运动想象脑电特征的分类已经取得了较高的准确率,然而对于多任务运动想象的脑电信号识别还存在分类正确率低,算法较复杂,稳定性差等问题,限制了其广泛应用。针对四任务运动想象脑电特征识别存在的问题,论文围绕运动想象诱发脑电信号采集和预处理、特征提取以及模式识别等方面进行了研究,主要工作包括:(1)脑电实验数据的预处理和导联选取。采用国际BCI竞赛的运动想象实验范式,得到由64导联脑电仪采集的BCI2005 data setsⅢa脑电数据并进行导联选取,采用相干平均方法去除自发脑电,获得四模式运动想象任务的诱发脑电信号。(2)运动想象诱发脑电特征提取。采用小波变换,改进的共空间模式(CSP)以及小波-共空间模式三种方法,分别对运动想象诱发脑电信号进行特征提取,采用"一对多"共空间模式方法,构建多个空间滤波器,对滤波信号进行共空间模式映射,得到每种想象运动模式下的投影信号。对该投影信号能量求方差取对数,组成特征值向量,再进行差值处理获得运动想象脑电特征,并利用特征优化脑电导联。结果表明小波-共空间模式特征提取方法获得的四类运动想象脑电特征最显著。(3)运动想象脑电特征融合分类。利用径向基核函数的支持向量机(SVM),采用网格寻优方法优化参数,对四任务运动想象脑电特征进行模式识别,基于加权方法对SVM和CSP的分类结果进行融合决策判断。计算机仿真实验结果显示,对四模式的运动想象脑电分类平均正确率可达到90.9%,Kappa系数为0.867,且算法执行时间较短,是实现四任务运动想象脑电识别的有效方法。(4)运动想象脑电非线性分类方法研究。由于脑电信号具有较强的非线性和非平稳特性,采用概率神经网络对四任务运动想象脑电特征进行分类识别。计算机仿真结果显示,四模式运动想象诱发脑电分类正确率最高可达到92.31%,该方法适用于多任务的运动想象脑电模式识别。本文的研究成果可以应用于脑-机接口技术和智能假肢系统中,也可以为研究大脑的认知活动和运动控制提供依据,具有科学和应用双重价值。