脑-机接口(Brain-Computer Interface，BCI)系统的发展为人们提供一个研究脑功能与认知科学的交互平台，随着对人脑理解加深、认知神经科学与技术的发展，也将直接推动人们对认知机理的探索，为BCI提供新的理论和模型基础。基于运动想象的BCI系统，无需任何外界刺激，仅依赖于受试自身的意识活动，因此该类系统具有较强的独立性，是最重要的BCI系统之一。由于运动想象脑电(Electroencephalogram，EEG)信号属于自发信号，更容易受到实验环境，被试间差异等因素的影响，如何准确识别运动想象EEG信号仍面临挑战。　　为提高运动想象BCI系统性能，大量研究都集中于对EEG信号特征提取和特征识别方法的优化。然而，如果受试者EEG信号本身未能够产生与想象任务匹配的变化，再性能优越的算法也无法得到正确识别结果。因此，在注重算法研究的同时，需要试图让受试者更容易产生与预期思维任务契合的EEG信号。综上，本文从两个方面着手，一方面是发展更好的BCI特征提取和模式识别方法，另一方面是运动想象训练范式的研究，通过对受试者施加有效的运动想象训练，增强其运动想象EEG信号特征，以达到提高大脑运动想象任务识别率的目的。　　本文主要研究内容如下:　　1、在时频分析中，提出一种基于个体差异的时频特征模式优化方法。由于运动想象中的事件相关去同步化/同步化（event-related desynchronization/synchronization，ERD/ERS）现象，是通过进行大量统计实验分析得到的结果。运动想象ERD/ERS频带、时间特征在不同受试者之间存在差异，采用统一的EEG信号频率和时间参数等，往往无法达到最佳的分类效果。为了解决这一问题，我们同时将时域或频域信号划分为不同尺度的信号段，求解其时域或频域特征的Fisher scores判据，判据值最大的特征对应的时域或频域范围，即为优选参数，可用于BCI系统个体化参数设置。在本文实验，我们仅采用2导联数据进行EEG信号特征提取与分析，实验结果证实了方法的有效性。　　2、脑网络连接模式研究。运动想象神经机制的研究已经得到较多关注，对运动想象大脑工作机制，特别是对不同脑区间协同与整合作用机制的认识深入，研究者们越来越重视对各脑区间网络连接模式研究。本文针对脑网络功能连接，提出基于一致固有模态函数的EEG相位同步分析方法，实验证实了想象运动对侧脑区的局部锁相值有明显提高，该方法提取的特征可分性好。针对脑网络效应连接，提出基于一致固有模态函数的EEG信息流分析方法，可以简化了脑网络效应连接模式的提取。实验结果还证实不同频率尺度对应的效应连接模式存在差异，通过提取窄带信号对应脑网络连接特征，可得到较好的特征识别率。研究旨在基于EEG信号建立运动想象脑网络连接，探讨通过脑网络分析方法建立运动想象BCI系统的可能性。　　3、由于EEG信号非平稳性和个体差异性，导致不同受试者EEG数据训练得到分类器学习能力差异显著，特别是运动想象BCI系统的整体性能仍有待提高。其次，为保证分类算法的泛化能力，需要耗费大量时间获取不同受试者足够量的训练数据。而在BCI系统的实际应用中，通常希望尽可能地避免或缩短系统训练时间。解决BCI中存在的“小样本学习”问题，改善在训练样本较少情况下BCI系统的整体性能，将对BCI系统的实用化有重要意义。本文提出一种基于共享隐空间的多任务学习框架，假设存在隐含特征空间，利用最大联合概率分布准则，使不同受试数据映射到该空间后共享信息最大化。在保留各受试者独立信息的同时，发掘受试者之间的相关信息，可以改善对单一受试（特别地在训练样本较少情况下）的学习效果，进而提高BCI系统的整体性能。　　4、开展运动想象训练范式的研究。本文结合虚拟现实技术，设计了不同运动想象虚拟训练场景，通过实验，验证不同训练内容和训练任务复杂度对受试者训练效果的影响，分别从分类准确率、时频能量变化、系统模型参数的选择三个方面来衡量运动想象训练效果的差异。实验数据分析表明，通过对受试者采取合理运动想象训练，可以增强EEG信号可靠性，受试者将产生更易识别信号特征，如，不同类别的想象任务之间的时频能量区别明显，从而提高任务的分类识别率;同时，合理的训练范式设计，将帮助被试缩短运动想象单次实验时间和训练时间。