近年来,我国人口老龄化问题日趋严峻,伴随着老龄人口的增加,脑中风等一些会使人体丧失部分身体控制机能疾病的发病率也逐步上升。疾病在给肢体运动功能障碍患者带来极大不便和精神压力的同时,也给家庭和社会带来了沉重的负担。如何帮助患者进行有效康复治疗,重新获得一定的独立生活能力,是当今社会急需解决的问题,也是康复工程、人工智能等交叉学科研究的热点。脑电是脑神经细胞电生理活动产生的信号,含有丰富的大脑活动信息。通过快速有效的对脑电信号进行分析和评估,我们可以将大脑信号解读为相应的命令,搭建出一套不依赖外围神经和肌肉组织参与的脑机接口系统,从而完成与外部世界的交流和对辅助设备的控制,对病人的康复治疗具有重大意义。围绕对脑机接口不同应用场景的需求,本文选取两类典型的脑电信号,分别研究了脑机接口在online和offline情境下的信号处理方法,并取得以下成果:1)针对脑机接口中存在的信号容易受到干扰、操作复杂的问题,本文首先利用经济便携式脑电采集设备Emotiv EPOC+搭载了一套基于稳态视觉刺激的脑机交互系统。该脑机接口系统首次将功率谱密度分析、典型相关性分析等方法按照不同权重相结合,使得目标识别的准确率高达98.6%,具有很高的抗噪能力和可拓展性。2)另外针对脑机接口在处理多分类任务时需要完成大量特征工程以及准确率偏低的特点,引入深度学习方法自主的提取运动想象脑电信号的特征,通过对小样本数据集进行数据增强,在卷积神经网络的基础上搭建了一套高效率、高精度的分类器,实验表明该分类方法具有很强的稳定性能和泛化能力。