基于运动想象电位的脑机接口系统(Brain Computer Interface,BCI)可以通过解析被试者脑电信号达到不依赖自身的神经、肌肉直接与外界进行交流沟通的目的。具有不依赖外界刺激产生等优点，在医疗康复等领域具有广阔的应用前景。目前，基于想象电位的BCI存在准确率较低，所需脑电信号导联数量过多的问题，限制了其实用性。针对上述问题，本文采用一种小波包分解和共空间模式算法相结合的时、频、空域特征提取方法，通过支持向量机网格参数寻优的模式识别算法进行分类，在较少导联的情况下取得了较好分类效果。主要进行了以下研究：　　1.针对想象电位信噪比低、非平稳性的信号特点，选用小波包分解和重构对其进行时频分析。不同想象状态下脑电信号具有明显空间分布差异，采用共空间模式进行空间特征提取，小波包分解拓展用以共空间模式滤波的信号维度，弥补了共空间模式算法所需导联数量过大的缺陷，实现了想象电位的时、频、空域联合特征提取。　　2.系统性研究了上述算法中两大关键参数——共空间模式特征维度和小波包分解层数的选取方法。为了利用尽可能少的计算次数寻找不同被试者的最优特征维度，设计了共空间模式特征维度的寻优策略；在不同小波包分解层数下应用这一策略计算分类准确率，确定了最优小波包分解层数。　　3.研究Fisher线性分类器、概率神经网络和基于核函数的支持向量机对所提取想象电位脑电信号时、频、空域特征的分类方法，并对其关键参数进行优化，比较分析分类结果，发现支持向量机通过网格参数寻优在少导联的想象电位分类中准确率最高。　　4.利用NT9200脑电仪对4名被试者进行实验研究，在不设噪声屏蔽的环境中，少导联、无训练情况下，取得了较高的分类正确率。验证了本文提出的算法组合在普通环境下的有效性。