脑机接口(brain-computer interface,BCI)是一个不需要依赖于脑的外周神经和肌肉的传输途径,而直接实现人脑与外界设备或对外部设备进行控制的通信技术,BCI可以为那些患有脑干中风和脊髓损伤等疾病而无法与外界正常交流的人实现交流。在BCI系统中,脑电(electroencephalography,EEG)信号是脑神经电信号的表现形式,也是系统中信号处理的基础,但是脑电信号在不同的人不同的时间里都有可能会发生较大的变化,所以对脑电信号的处理变得尤为关键,EEG信号处理的过程包括数据预处理、特征提取和特征分类三个主要部分,每个部分都会影响整个系统的分类性能。为了提高基于运动想象的BCI的分类性能,本文提出了通过设计一个经过优化的滤波器组将EEG脑电信号分解成多个不同频带范围的子带,然后筛选出最优的子带,最终将最优的子带结合稀疏表示(Sparse Representation,SR)用于分类的新算法。该方法对数据预处理、特征提取和特征分类三个部分都进行了改进,可以根据不同的人,不同的时间选出最优的频带并用于分类,最终提高整个系统的分类性能。本文使用第三届和第四届BCI竞赛两个数据集来检验此方法与基于宽带(8-30Hz)CSP与Fisher判别分析法(Fisher discriminant analysis,FDA)相结合的方法和基于宽带CSP与稀疏表示相结合的方法的比较。实验结果表明:本文中基于滤波器组和稀疏表示相结合的方法能够根据不同受试者的不同时间的实验数据选出最优的频带,并结合稀疏表示分类得到了最好的分类性能,验证了算法的可行性和有效性。