脑-机接口（BCI）是一种通过分析大脑思考时的脑信号,从而实现直接控制外部设备的系统。BCI技术的发展为许多领域带来了研究的新方向,同时对研究者提出了更高的要求,目前已成为众多领域的热门研究课题之一。脑电图（EEG）是BCI系统中重要的研究信号,可以体现出大脑思维活动的变化。但EEG信号存在非平稳性,非线性等特点,这增加了信号的分析难度。本文以EEG信号的多模态特征为研究对象,对多模态在BCI系统应用中的两种层次进行深入探究,在一定程度上改进了单模态分析遇到的特征提取和分类效果差的问题。主要工作如下:（1）为提高EEG信号特征的区分性,提出一种基于EEG信号多域特性结合的多模态特征研究方法。首先利用多元变分模态分解（MVMD）对原始脑电多通道数据进行自适应分解,然后从分解得到的信号分量中,提取信号的时域特征以及非线性动力学特征,同时将信号分量合并,构造新的信号矩阵,并采用共空间模式算法（CSP）对该信号矩阵提取空间特征,接着将得到的三种特征结合,得到EEG信号的多模态特征,最后通过支持向量机（SVM）分类。所提方法在BCI Competition II Dataset III数据集上进行了测试,实验结果表明,与其他四种算法相比,本方法结合EEG的多模态特征,包含时域特征、非线性动力学特征以及空域特征,相比于单模态特征取得了更好的准确率,证明了同种信号的多种特征模态结合是有必要的。（2）为进一步提升系统的性能,针对EEG和近红外（fNIRS）的混合信号,提出混合信号下的多模态特征分析方法。首先提取EEG信号的小波系数及其CSP特征,同时研究了fNIRS的时域特征及其CSP特征,然后采用联合稀疏表示的方法,实现了混合信号多模态特征的融合与分类。所提方法在EEG与fNIRS联合采集的公共数据集上进行了测试,在实验中同时探究了运动想象任务和心算任务下的单个信号与混合信号、单模态特征和多模态特征间的差别和联系。实验表明多模态下的特征提取得到更高的准确率。此外,采用与fNIRS联合的研究方法对EEG信号模式的识别起到促进作用,为EEG信号的多模态特征提取及分类的进一步发展提供参考意义。