脑-机接口(Brain-Computer Interface，BCI)是一种全新的人机接口方式，它可以提供一种不依赖于人体外周神经系统及肌肉组织，建立在人与周围环境间信息交流与控制的新型通道。脑机接口的一个重要用途是为那些思维正常但有严重运动障碍的患者提供交流和控制途径，提高其生存质量。近年来，基于脑电信号(Electroencephalogram，EEG)的BCI技术已成为康复领域新的研究热点。 脑-机接口系统有很多种，我们主要研究了基于左右手运动想象的脑机接口系统。人脑的脑电信号活动集中在运动皮层体现为μ节律(8-12Hz)，人们运动或者想象运动的时候都会伴随着μ节律的减小，这个减小叫做“事件相关去同步化”。我们的研究就是基于脑电信号的这个特性。 本文在查阅大量文献的基础上，首先介绍了当前BCI研究中涉及到的关键技术。在BCI系统中，脑电的特征提取与分类是非常关键的环节。本文主要研究了基于左右手运动想象的脑机接口系统的特征提取与分类算法。我们提取了三种信号特征：时域特征、频域特征以及时频联合特征。时域特征用的是信号的幅值，频域特征用的是信号的AR模型功率谱密度，而时频联合特征是将两个特征结合为一个特征向量进行后续分类。实验中，我们发现在特征提取前对数据进行一下预处理效果会好很多。 本文中，我们用了几种分类算法对特征进行分类，包括直接判别法、欧氏距离判别法、马氏距离判别法和感知器准则算法。在几种分类算法中，直接判别法直接而简单，传输速率高，但存在稳定性问题。用马氏距离判别也取得了较为理想的效果，分类正确率均高于使用欧氏距离判别。而使用感知器准则算法对时频联合特征进行分类取得了最好的分类效果，高达87.1％，比其它文献报道的用其它方法在同组数据上进行离线处理的结果要高出三至五个百分点。