脑电信号(Electroencephalogram, EEG)是中颅内神经突触和树突传递神经电位信号而衍射到大脑头皮的募集信号，人在主动思维或受到不同的感觉刺激时，EEG会出现差异性变化。基于EEG的脑-机接口(Brain Computer Interface, BCI)系统通常就是使用这类差异性的脑电信号来控制外部设备或实现大脑与外界的直接通信。目前，基于多类运动想象的脑电信号的识别研究主要集中在离线分析，可识别维度已达到4类。但在线BCI研究方面，主要还只集中在两个维度的控制(左、右转；或动作、停止等)，多维度的控制还存在着：实时性差、识别正确率低以及采集到的EEG信号受噪声干扰大等难点。本文根据现阶段BCI技术中存在的问题并结合课题的要求，设计并构建了一个在线的基于多类运动想象脑电信号控制的脑-机接口_虚拟现实漫游系统，系统包括EEG信号采集、消噪预处理、特征提取以及基于三导EEG的想象脚、左手、右手运动的三类运动想象的模式识别和基于一导EEG的闭眼动作检测，并且使用运动想象脑电波实现了在虚拟现实系统中的漫游。在论文写作阶段做的具体工作及主要创新点包括：（1）为剔除混叠在脑电信号中的干扰噪声，提出了一种基于双密度小波邻域相关阈值处理的EEG消噪方法。利用双密度小波对EEG进行分解，得到多层的信号高频系数；根据小波系数的局部统计依赖性，运用邻域相关阈值处理算法进行收缩，将收缩后的小波系数进行重构得到消噪后的信号。对加噪声标准信号消噪实验的结果表明，具有近似平移不变性的双密度小波变换方法的消噪效果要明显优于一代离散小波变换，在强噪声环境下效果更为明显；此外，由于邻域相关阈值处理算法利用了小波系数的局部依赖性，对突变大的系数进行了平滑处理，消噪后的信号的毛刺明显减小。实测EEG消噪实验的结果图表明，该算法可以将EEG中的突变干扰信号平滑掉；频谱分析结果也表明，本文算法有效地抑制了高频噪声，而在主要频率范围内对应的功率谱与原始EEG的功率谱基本一致，保留了EEG中的大部分有用的细节信息，为后续EEG的特征提取和模式识别奠定了良好的基础。（2）提出了一种基于归一化AR模型功率谱估计的运动想象脑电信号特征提取方法。对C3、Cz、C4通道的脑电信号进行AR模型功率谱估计，将肢体运动相关的Mu节律(8~12Hz)和Beta节律(20~24Hz)的AR模型功率谱估计值归一化作为特征值。仿真结果表明，归一化后的AR模型谱估计的一致性明显改善，增强了特征值的泛化能力。此外，根据Mu节律波与肢体运动有着密切关系以及其具有非线性特性，提出了一种基于Mu节律波能量熵的运动想象脑电信号特征提取算法。为了选取兼具实时性和识别正确率高的算法，对实测运动想象脑电数据进行了分析，并使用Mahalanobis距离分类器和支持向量机对两种特征提取方法进行了对比分析。其中，采用基于归一化AR模型功率谱估计方法对脑电进行特征提取，然后采用支持向量进行分类，三类运动想象最高平均识别正确率为80.83%。（3）构建了一个在线的基于运动想象脑电信号控制的脑-机接口_虚拟现实漫游系统，并根据在线控制的要求，详细说明了本文设计的算法的集成方式、在线数据处理策略(采用滑动时间窗进行分析)、在线控制策略(加权投票得出最后控制结果)、虚拟场景的改造及其与BCI Client之间的通信方式和协议的构建。进行了在线控制实验，成功地识别了想象左手、右手、脚运动以及闭眼动作，三名参与在线控制的受试者的识别正确率分别为80%、80.625%、75.625%，并且使用运动想象脑电波实现了在虚拟现实系统中的漫游。