脑一机接口(BCI)是在人脑和计算机或其他电子设备之间建立的一种直接的信息交流和控制通道，是一种不依赖于常规大脑输出通路(外周神经和肌肉组织)的全新的信息交流系统。现代的脑科学研究表明，从大脑皮层的多导电极上采集得到的脑电信号(electroencephalogram, EEG)蕴含着丰富的人体生理病理信息，并能反映大脑的功能状态。研究人在不同意识状态下的EEG信号，通过对几种简单易分意识任务的EEG信号进行模式识别，形成较为复杂的控制命令，完成对轮椅、假肢等辅助设备的控制，可帮助严重行为障碍的患者与外界进行交流。然而由于脑电信号的复杂性和非平稳性，人们很难获得足够的特征数据对分类器进行训练并实现分类。统计学习理论是针对小样本估计和预测的理论，在很大程度上解决了模型选择与过学习问题、非线性和维数灾难等问题。支持向量机(support vector machine, SVM)分类器作为统计学习理论的实现方法，不仅结构简单，而且各种性能尤其是推广能力明显提高，由于它是专门针对小样本情况的，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值。所以是意识任务分类领域中一种可行的选择。虽然SVM在理论上具有很突出的优势，但在应用中存在两个关键性问题。首先，对于给定的样本，SVM分类器的性能主要受核函数及其参数的影响，因此如何选取最优的核函数及其参数是SVM分类器取得理想分类效果的关键。其次，SVM最初是针对二类别的分类提出的，要将其推广到多分类问题，需构造多类SVMs分类器。因此，本文围绕基于脑电的BCI系统中的意识任务分类问题，在特征提取与降维、核函数与核参数的选择、多类分类器设计等几个关键技术方面进行了较为深入的研究。论文首先介绍了脑电信号分类的背景、研究现状及其科学意义，统计学习理论及支持向量机算法的基本理论。为了讨论核参数的选择，本文首先研究了核参数的变化规律，然后提出了采取“粗调加细调”的方法来快速的寻找最优参数组合的方法，更适于实际应用。在对高维脑电特征向量进行降维处理时，由于特征提取是通过某种映射来达到数据压缩的目的，这种方法会破坏特征向量原有的物理意义，使得构造的新的特征向量可理解性差，不利于分类。因此本文通过特征选择对最佳电极组合和EEG特征进行了选择。为了解决多分类问题，本文在对现有的多类分类方法简要叙述的基础上，针对他们的优缺点，将基于类分布的决策树与SVM结合，提出了一种改进的支持向量机多类分类方法——基于类分布的决策树SVMs分类器。为了降低决策树“误差累积”效应的影响，用基于类分布的可分离性测度来决定决策树的走向。这种方法不但克服了传统多类SVM的“拒分”问题，而且各个分类器的参数可分别选择，有利于提高分类准确率。最后本论文将这种方法引入意识任务分类领域，通过对2005年BCI竞赛中IDIAP研究协会提供的一组数据中三个对象、三种不同意识任务进行分析，用该方法得到的分类最高准确率均明显高于传统多类SVMs。这证明了本文所采用方法的有效性，并为多类意识任务的识别提供了一种新的方法。