脑-机接口(Brain computer Interface,BCI)研究旨在人脑和计算机或其它机电设备之间建立直接的信息交流通道,使人们仅通过思维而无须借助于外周神经与肌肉系统即可控制计算机与外部设备。BCI的技术关键在于通过信号分析、特征提取和模式识别等方法从脑电信号中识别出大脑思维操作意图,并将之转换为控制命令。上肢想象运动诱发的事件相关去同步/同步(Event Related Desynchronization/ Synchronization,ERD/ERS)信号是目前脑电BCI系统的研究热点之一,其中,通过检测ERD/ERS信号的发生和分布特征,以在上肢想象运动的诱发脑电中提取出反映大脑主观动作意识的侧向性信息,是完成使用者到BCI系统自主信息输出的关键技术。但是由于脑电信号内在的非平稳性和极易受到噪声影响等特点,在ERD/ERS信号的检测中存在信息提取效率低、识别结果不稳定、系统效率过于依赖使用者训练等问题。因此,如何准确稳定地提取出上肢想象动作诱发脑电信号中携带的侧向性信息是目前BCI研究中的重要前沿课题。本文设计并完成了不同侧向性的上肢想象动作诱发脑电实验,利用短时傅立叶变换技术分析了上肢想象动作诱发动态脑电信号的时频特性,使用Fisher可分性判据分析了二维时频平面上功率谱密度分布情况,进而提取出在侧向性信息分类识别中非常重要的特异性频段和特异性时段等参数。在诱发信号的增强处理方面,本文引入了独立分量分解技术来滤除眼电、肌电等噪声成份,并将独立分量分解和Kmeans聚类分析方法相结合以实现动作任务诱发脑电分量的提取。利用功率谱熵、小波熵、Kolmogrov复杂度和近似熵等非线性参数进一步研究上肢想象动作诱发脑电信号的动力学特性,并对其在不同侧向性任务下的变异情况进行了统计检验分析。在侧向性信息的分类识别中,本文采用基于支持向量机的回归特征筛选方法进行了特征的组合优化,使用支持向量机建立了侧向性信息分类器并使用集成学习方法对分类器进行增强。研究结果表明,上述关键技术的引入可以有效地提高上肢想象动作脑电信号中侧向性信息提取的正确率和稳定性。更为重要的是,即便对于未经训练的初试者,本文建立的方法也能取得较为满意的识别效果,从而为脑-机接口在线系统的设计和研发提供了良好的技术基础。