脑机接口（Brain-Computer Interface,BCI）是一种前沿的人机交互技术,可实现大脑与外部设备的直接信息交流。近年来,功能性近红外光谱（Functional Near-infrared Spectroscopy,fNIRS）技术凭借诸多的优点脱颖而出,成为发展BCI的重要新兴方案。基于运动想象（Motor Imagery,MI）的BCI在军事、康复医学、娱乐和智能机器人的控制等许多领域有较大应用价值。然而,大多数基于运动想象的fNIRS-BCI研究尚停留在2或3分类阶段,鲜有4分类以上的研究。为扩展fNIRS-BCI的控制命令数,本文对fNIRS-BCI中的运动想象任务进行了多分类模式识别研究。我们设计了一个4分类运动想象任务（左、右手运动想象、行走想象和休息）的新型实验范式,并采集了被试任务期间的fNIRS信号数据。然后基于Hb O、Hb R和Hb T三种血液动力学响应信号指标研究其分类效果。结果表明,这些任务之间具有良好的可分性,且适用于开发具有实用价值的BCI应用设备。而且,基此开发的设备具有较多的控制命令数,功能更为强大和完善。加之,通过简单、直观的运动想象任务控制,设备将对用户更加友好。此外,本文还着重对fNIRS-BCI中血液动力学响应信号指标进行了研究。我们提出了一种新的血液动力学响应信号指标——氧合血红蛋白浓度变化在总血红蛋白浓度变化中的占比PO T。为了研究POT的分类效果,对SVM、LDA和KNN三种分类算法和POT数据的均值、整流均值、最大值、最小值、方差、峰度、均方根以及峰值8种特征进行两两组合,得到分类效果最佳的组合为SVM+峰度特征组合。同时,为了充分验证POT的分类效果,我们将实验结果与上述研究的实验结果作了对比分析,并补充对比检测了Hb O与Hb T两个传统指标的组合数据的分类效果。实验结果显示,新型指标POT的最佳平均分类精度为76.82%±3.36%,超过了传统的指标Hb O、Hb T以及两种指标组合数据的分类精度。表明POT可作为一种有效的分类信号指标,验证了其应用于发展fNIRS-BCI的可行性,也为以后的研究增加了一种新的备选方案。