脑内电活动具有功能分区和多区活动同步化整合的特点。因此，把空间信息和时间信息结合起来研究将有助于对脑功能状态的识别。基于这一思想，本博士论文提出了一个三维脑电时空模式分析系统。系统包含了预处理，颅内电流分布聚集，脑电自适应分段和时空模式识别等多个步骤。 预处理的主要目的是提取与特定任务相关的脑电成分，同时抑制与任务无关的脑电活动以及噪声。本文采用共空域子空间分解算法(CSSD)作为预处理方法。为了验证CSSD算法的有效性，本文以此算法为基础设计了一个分析流程，较好地解决了对自主手指运动前准备电位的单次识别问题。结果证实CSSD算法非常适用于任务响应的提取。 为了估算颅内的电活动分布，必须求解脑电逆问题。LORETA和FOCUSS是比较著名的两种求逆算法。本文提出了一种LORETA-FOCUSS算法，它以LORETA方法的解作为初始化，再按FOCUSS方法求解。在此基础上，又发展出速度更快，重建更准确的ShrinkingLORETA-FOCUSS方法。在此算法中，权重矩阵和逆问题的解空间都不断地在迭代过程中进行调整，从而大大减小了计算负荷。仿真结果证明这种算法可以准确地对源进行定位，而且所求得的解具有很高的空间分辨率。 为了对三维脑电提取特征并压缩数据，本文引入了脑电微状态(Micro-state)分析。微状态理论最初是基于头皮脑电而提出的，它无法分析三维空间中的源分布，因为它并不考虑源的位置和源之间的距离。本文把脑电微状态分析由二维推广到三维的情况，并由此提出了新的分段依据。经过上述步骤以后，就可以对三维脑电的时间特征和空间特征进行提取。所得的特征被连接成一个“观察序列”，作为分类器的输入。 本文采用隐马尔可夫模型(HMM)作为最终分类器。HMM是一种随机信号模型，模型参数由一序列的状态和概率所确定。这种模型可以处理维数很高的输入，而且训练的速度非常快。另外，HMM并不要求各次输入矩阵的维数相等，非常适合脑电时空模式的识别问题。 最后，将该系统运用于脑机接口(BCI)的一个实际问题，对两类肢体想象动作任务时的脑电数据在未经任何人工筛选的情况下进行了分析，识别率最高可达到88.89％，平均为81.48％。结果证明了脑电时空模式分析是研究脑机接口的一种有效途径。更重要的是，时空模式分析的策略对于神经心理学领域内许多相关问题的研究都可能有潜在的意义。