脑-机接口是一种不经过传统的神经肌肉通道传输,直接将大脑与外界设备相连,通过软硬件设备结合将脑电信息转化为对外控制命令的通信系统。但是脑电活动信号在人与人之间,甚至是相同受试者在不同时间都会高度变化,这严重制约了脑-机接口技术在实际中的应用。因此需要研究一种全自动的EEG分类系统,而该系统最复杂之处在于EEG信号在特征提取之前时间段和频带的选择问题。为此,本论文提出两种方法来选择受试者各自最优的时频间隔,以提升脑-机接口应用中EEG信号特征提取的有效性。第一种方法是小波包分解与共空域模式结合的方法。原始EEG信号经过8-30Hz滤波之后,经过小波包分解和重构,再将重构信号通过CSP算法进行特征提取。其主要创新点在于多通道数据进行小波包分解之后,通过自适应方法选择某些重要子空间的分解系数进行重构,以达到个性化频带选择的目的。通过三种不同频带选择方法,对6组基于两分类运动想象的BCI进行处理数据,结果显示该方法得到最优的分类结果,验证了该方法的可行性及有效性。第二种方法是采用滑动窗对多类脑电数据进行分析,自动得出每个受试者对分类起重要作用的时间段、频带及分类结果。子数据段处理方式比较简单,采用的共空域模式算法进行特征提取和KNN分类器进行分类。通过对第四届国际BCI竞赛数据集Graz Dataset2a的9个数据进行三分类和四分类实验,分别得到组内间单独数据T(E)交叉验证和组外间T(E)到E(T)传输两种情况下的最佳分类正确率、时间段及频带。实验结果不仅验证了个体间及相同个体试验间的差异性,还表明滑动窗对每个受试者进行不同类别想象运动时自动选择其合适的时间段和频带有助于提升分类正确率。