目前,单一模式的脑-机接口系统已不能满足当前的控制需求。为了提高系统性能,可将多种有用特征融合在一起,构成混合式脑-机接口系统,实现精准分类和特征研究。本文研究了一种基于下肢运动想象(Motor Imagery,MI)和稳态体感诱发电位(Steady State Somatosensory Evoked Potential,SSSEP)的混合脑-机接口,同时得到SSSEP特征和MI特征,根据融合后的特征进行运动意图的解码。采用滤波器组共空间模式(Filter Bank Common Spatial Pattern,FBCSP)将两类特征融合在一起,送入支持向量机(Support Vector Machine,SVM)和K近邻(K-Nearest Neighbor,KNN)分类器实现左脚和右脚运想象的分类识别。本文设计了混合范式、运动想象范式以及选择注意范式三种实验条件,在有无刺激条件下想象左、右脚的运动或注意某只脚的体感电刺激感觉。观察三种条件中脑电信号在时-频域和空间域上的特征分布,证实了刺激脚踝胫后神经时能够诱发出SSSEP特征。同时对比分析左脚体感刺激和右脚体感刺激产生特征的差异性。实验中设置的SSSEP频率段和MI特征所在的频率段不重合,选用FBCSP实现特征融合,使用SVM和KNN算法对运动想象时的脑电信号进行分类研究。结果显示,在使用SVM时,特征融合后的下肢运动想象的平均分类正确率能达到78.6%,较单纯根据MI特征实现分类的结果提高了15%左右;在使用KNN时,融合后的平均正确率为84.62%,比没有特征融合时提高18.75%。对比了两个分类器对同种信号做分类时的正确率、ROC曲线和AUC值,结果显示,KNN分类器在识别分类运动想象信号时的效果优于SVM分类器,但对SA范式中的SSSEP特征进行分类时效果略差于SVM。除此之外,本文实现了下肢运动想象的实时分类识别,在基于下肢MI和SSSEP的实时混合脑-机接口系统中,完成脑电信号的实时传输、处理以及反馈分类结果的工作。实验结果表明,七名受试者的平均分类准确率为71.07%。