脑机接口（Brain Computer Interface,BCI）技术担负着有效解决人机现实场景交互的任务,因而成为了生物医学,脑科学,智能信息处理等多领域的研究热点。而基于可穿戴的脑电（electroencephalography,EEG）设备的BCI系统更是由于其相较于其他方法具有无创伤、高时间分辨率、可接受的空间分辨率和相对可接受的经济成本等因素而被广泛研究,但如何从EEG信号中提取有效成分一直是脑科学研究者的探讨方向。本文从脑电信号特点出发,主要在特征提取算法方面展开了系统的研究,并侧重于时空频多维度统一特征提取算法的研究。本文首先考虑到判别空间模式（discriminative spatial pattern,DSP）最大化两类样本方差同时最小化同一类样本方差,由于DSP是一种经典的有效特征提取技术,用于运动任务中的单次EEG分类。但是,它仅利用EEG信号的空间信息。而另一方面,时间信息在具有高时间分辨率的脑电序列中起着重要的作用。于是,我们提出了一种新颖的方法叫做二维判别空间模式（two-directional discriminative spatial patterns,2DDSP）,该方法可以使用相同于DSP的准则同时过滤时空维度以提取时空信息,而不是像传统时空分析想法那样单独进行空间滤波和时间滤波。单次脑电图分类的实验结果表明,所提出的2DDSP方法比DSP具有更好的分类精度,而2DDSP生成的特征矩阵的维数小于DSP。随后,考虑到张量是矩阵堆叠后形成的,也是矩阵在任意阶的扩展,因此虽然原始EEG信号以矩阵形式展现,但其也是高阶张量形式在阶数为2时的特例。另一方面,我们希望可以将DSP基于的判别准则同时运用于其他维度,包括时域和频域。于是本文提出了多线性判别空间模式（multilinear discriminative spatial patterns,MDSP）以导出与低频运动相关的皮层电位相互关联的多个低维判别子空间。MDSP希望这些低维判别子空间能够互相协作工作以获得更好的结果。两个手指运动任务脑电数据集的实验结果证明了所提出的MDSP方法的有效性。最后,为了进一步利用张量理论来探究大脑的神经活动机制,我们又受到了脑网络理论的启发。由于脑网络被普遍用于构建大脑图谱以探究人的神经认知活动,因此我们将张量分解技术融合到脑网络分析过程中。本文首先通过连续小波变化（continuous wavelet transform,CWT）和动态脑网络（dynamic functional connection,d FC）技术构建与频率和时间窗有关的功能连接矩阵。然后重新排序这些连接矩阵以得到包含连接信息和时频信息的张量对象,并利用Tucker分解技术对该张量对象的各维度进行分解分析以提取主要成分。基于意图理解的脑电数据实验结果证明了所提出的联合张量的脑网络分析框架是有效且可行的。