脑电信号(Electroencephalogram, EEG)是大脑的神经细胞电生理活动在大脑皮层的总体反映。由于EEG与人类的意识状态有关系,通过对EEG的模式识别,可以识别不同类别的意识活动,从而形成一种大脑与外部设备建立的直接通信连接,即我们所谓的脑-机接口(Brain Computer Interface, BCI),它的实质是通过EEG推断人的想法或目的,从而实现人机交流。运动脑电指的是通过想象肢体运动和肢体运动同步发生时所产生的脑电信号。运动想象时产生的脑电信号具有事件相关同步和去同步的特征,通过分析这种脑电信号,可以判断被试者的运动意图,从而实现对外部设备的控制,因此运动脑电信号是BCI系统研究多使用广的一种特征信号。本文主要从运动想象脑电信号的特征提取和分类算法的研究入手,了解了目前的特征提取和分类的算法研究现状,重点研究了小波分析的特征提取算法。提出了基于小波变换子带系数和系数均值特征提取、基于小波包变换的子带系数均值和子带能量的组合特征提取算法。分类器的选择也是至关重要的,我们分析比较了目前分类器的优缺点,选择了概率神经网络(Probabilistic neural network, PNN)分类器作为我们的分类器来实现最终的信号分类,然后我们将满足运动信息的脑电信号时频特征作为特征输入到PNN分类器中进行分类。利用上述特征提取和分类算法对2003年BCI国际竞赛的Graz运动想象脑电数据进行了分析处理,初步验证了我们所提出的算法的有效性。然后依据我们现有的Emotiv EPOC实验系统,设计实验,并对实验数据进行分类处理,本论文设计了两种运动脑电的任务(想象并抬起左胳膊、想象并抬起右胳膊)。以识别的精度作为指标,将研究的模式识别方法的分类结果进行比较,挑选出效果优良的算法,证明了基于小波包子带系数均值和子带能量的组合特征具有良好的时频分辨率和准确的分类效果。最后,根据我们现有实验设备和技术,对在线实时BCI系统的建立进行了探索研究,取得了初步进展,为后续的在线研究奠定了基础。