脑-机接口（Brain Computer Interface,BCI）作为一种新型人机交互系统在康复训练、游戏娱乐、教育和军事等领域有着巨大的实用价值和广阔的应用前景,该技术逐渐成为当今世界的一个研究热点。本文对基于运动想象的BCI系统进行了深入研究。从脑电信号（Electroencephalogram,EEG）提取运动想象特征并进行分类识别是实现该类BCI系统的重要步骤,设计一种分类精度高且泛化能力强的分类模型是实现高性能BCI的关键。鉴于极限学习机（Extreme Learning Machine,ELM）具有泛化能力强和学习速度快的优点,本文对基于ELM的运动想象分类方法进行了研究。首先结合优化算法和集成学习思想,提出了一种基于ELM的监督分类模型,然后在小训练样本情况下,提出了一种适用于在线应用的基于ELM的半监督分类模型,并构建了运动想象BCI系统。本文的主要研究内容如下:（1）提出了一种基于集成学习的参数优化ELM监督分类方法。由于ELM采用随机产生的输入权值和隐含层偏移量,容易导致运动想象EEG信号的分类准确率低且不稳定。为了克服参数随机产生所造成的影响,该分类模型首先采用粒子群算法同时优化ELM的输入权值和隐含层偏移量,然后将多个优化后的ELM作为基分类器,通过多数投票策略将它们融合为一个强分类模型,来提高运动想象BCI的分类性能。利用两个公开的BCI竞赛数据集对所研究的方法进行了二分类和四分类实验验证,实验结果表明所构建的新分类模型可以显著提高运动想象EEG信号的分类准确率。（2）提出了一种基于改进的正则化加权在线序贯极限学习机的半监督分类方法,实现在小训练样本情况下对运动想象EEG信号进行在线分类。该方法对在线序贯极限学习机进行加权处理,解决了样本不平衡的问题,然后增加一个线性分类器来辅助主分类器ELM挑选未标记样本,用于更新主分类器的隐含层输出矩阵,进而更新分类模型。本文利用两个BCI竞赛数据集对改进方法进行离线分析,实验结果表明改进方法可以显著提高运动想象EEG信号的分类准确率,验证了所提方法的有效性。（3）本文设计并实现了运动想象BCI系统,系统中的分类模型分别采用了本文所研究的监督和半监督两种模型。该系统首先利用Neuroscan采集设备来采集和传输多通道的EEG信号,上位机在接收到信号后,通过Lab VIEW编制的上位机软件,实现对运动想象EEG信号的预处理、特征提取和分类识别等功能。为了评估所设计的运动想象BCI系统的分类性能,本文设计并实施了三个实验:1)受试者训练实验。通过设计的运动想象范式采集EEG数据,用以训练初始分类模型;2)上位机软件测试实验。通过离线数据检测上位机软件的各项功能;3)评估系统性能的伪在线实验。两名受试者通过想象左手或右手运动,控制小灯按照选择的路径依序点亮。实验结果表明本文所设计的运动想象BCI系统可以实现较好的分类效果。