脑-机接口（Brain-Computer Interface,BCI）技术通过解码大脑产生的电信号,在大脑与外部设备之间建立起一条直接的通信通路,是一种新型的人机交互模式。基于头皮脑电（Electroencephalogram,EEG）的BCI由于安全性好、操作简单的优点受到研究人员的广泛关注,但头皮EEG信号的信噪比和空间分辨率不高。独立分量分析（Independent Component Analysis,ICA）可以提高EEG信号的信噪比和空间分辨率,常被用于BCI系统中的预处理和特征提取阶段,在EEG信号分析中有着巨大的应用潜力。在基于ICA的运动想象BCI系统（ICA-based Motor Imagery BCI,ICA-MIBCI）中,ICA空域滤波器性能的好坏直接决定着ICA-MIBCI的分类精度,但ICA空域滤波器的设计优化过程复杂且耗时,已有方法的实用性较低。为了使用少量的时间开销得到一个具有良好分类效果的ICA-MIBCI系统,本文将ICA和集成学习方法相结合用于ICA-MIBCI中分类器的构建。同时,研究了结合不同空域滤波器和集成学习方法得到的集成分类器的性能差异,并基于上述研究开发了在线MIBCI系统。本文的具体工作包括以下内容:（1）研究了脑电信号的产生机理和特点,介绍了在EEG信号中常用的时域、频域和空域的特征提取方法,以及经典的分类算法,并说明了运动想象EEG（Motor Imagery EEG,MIEEG）信号中存在的事件相关去同步化/同步化现象。（2）提出了结合ICA和Bagging以及结合ICA和Adaboost两种MIEEG信号分类方法。首先,从原始训练集中随机抽取一段EEG数据进行ICA分析,并对得到的ICA空域滤波器进行有效性判断,选择有效的ICA空域滤波器并结合方差比较这一简单分类准则用于构建基分类器（ICA variance classifier,ICAVCr）。再分别使用Bagging和Adaboost两种集成学习方法将多个ICAVCr结合为一个分类器,得到两个集成分类器。实验结果表明,对比于由常用ICA空域滤波器优化方法构造的单一分类器,集成分类器具有更好的分类效果,并且训练阶段的时间开销更低。（3）从组间迁移测试和不同被试间迁移测试两个方面,对比分析了结合ICA和集成学习以及结合共空间模式和集成学习的MIEEG信号分类方法。结果表明ICA空域滤波器更适合集成学习方法中基分类器的构建,尤其在不同被试间的迁移测试中,结合ICA和Bagging（ICA＿Bg）得到的集成分类器表现出良好的鲁棒性,适合搭建实用MIBCI系统。（4）在上述研究的基础上,使用C++语言和微软基础类库开发了一个基于ICA＿Bg算法的在线MIBCI系统。为方便用户观察反馈结果,使用C#语言和Unity3D引擎开发了一个模拟控制系统,整套系统使用TCP/IP协议进行数据的传输,具有操作简单、可移植性好的特点。两位受试者共进行六次在线实验,均成功控制虚拟人物走到目标地点,表明了在线MIBCI系统的有效性。