脑机接口(Brain-Computer Interface,BCI)系统能够实现人脑和外部设备之间直接的交流与控制，使人脑与外界环境进行信息交流时不再依赖外周神经和肌肉组织。脑机接口初期研究目的是为有运动残疾或表达障碍的病人提供与外界交互及控制设备的能力，随着研究的深入，目前其应用领域越来越广泛。由于脑电(EEG)信号很容易受到各种生理信号、周边环境甚至不同精神状态的干扰，信噪比(SNR)很低；同时各被试生理结构的差异导致脑机接口的推广性受到制约，因此直到目前仍然没有有效的方法能够稳定可靠的提取普通人的思维脑电特征，导致脑机接口走出实验室困难重重。本文针对基于运动想象的脑机接口工作不稳定的问题，寻找更加稳健的特征提取方法并应用到在线脑机接口，主要内容如下：　　1、研究基于共空间模式(CSP)类算法的空间滤波及想象运动脑电特征提取，对比CSP、多频段CSP及共空间时间模式(CSSP)算法提取脑电特征的效果，结果表明CSSP算法能够更有效分离两种不同思维任务的EEG信号，分类效果最好。这类算法虽然需要较多脑电通道，对噪声比较敏感，但其正确率明显高于其它特征提取算法。　　2、采用卡尔曼滤波算法求解自适应自回归(AAR)模型参数的方法，实现动态提取非平稳EEG信号特征。结合AAR和多变量AAR(MVAAR)模型参数的优点，进一步改进了特征提取方法，更全面描述了想象运动EEG信号特征，有效提高了分类正确率。改进了卡尔曼滤波器状态方程中状态转移矩阵，结果表明改进的卡尔曼滤波算法更有助于动态提取运动想象特征。此外还解决了连续提取AAR模型参数时数据易发散问题，使得算法更加适应在线脑机接口系统。　　3、研究利用盲源信号处理(BSS/ICA)算法直接分离大脑中想象运动源产生的脑电信号，提高脑机接口系统稳定性和分类精度。分析了目前典型BSS/ICA算法：AMUSE算法、SOBI算法、JADE算法、基于概率分布的算法及FastICA算法，研究这些算法单独作用提取运动想象相关脑电特征的分类效果。根据算法特点从时间和空间两个角度提取和分析运动想象的脑电源信号。从信号的时序结构角度考虑，讨论SOBI算法；从信号的统计独立性角度考虑，研究FastICA算法。实验结果表明结合SOBI和FastICA算法等BSS/ICA算法的优点，从时间和空间角度提取与运动想象相关性更强的源信号，提高系统稳定性，同时还消除其它干扰、噪声信号对脑机接口的影响，推动脑机接口技术的发展。　　4、设计基于想象运动的在线脑机接口，实现模拟环境开关量的控制和模拟小车运行控制。分析了在离线情况下特征提取的方法，为了确定训练时间对分类正确率的影响，研究了不同小样本情况对最终分类正确率的影响，分析结果表明对于想象运动，通过半监督学习算法能得到比较理想的分类结果。对于模拟开关量控制实验设计了二分类脑机接口，被试在较短时间内完成改变目标开关量的状态。对于模拟小车控制分别设计了二分类和三分类在线脑机接口，三分类脑机接口在控制小车行驶方面强于二分类脑机接口，但是由于EEG高度不平稳导致系统工作不稳定，对被试要求高。在在线脑机接口的研究中，不同的被试需要不同的分类参数，为了提高系统工作效率，加强系统的人机交互能力，研究设计了被试脑电特征数据库，在数据库中选择被试及其信号预处理、特征提取和分类的算法及参数。