脑—机接口(Brain—computer interface，BCI)是建立在人脑与计算机之间的通信系统。通过它，人们能够直接地利用脑部信息来表达想法或控制设备，而不需要语言或动作。BCI不仅可以帮助神经肌肉损伤患者提高生活质量，还可以为健康者提供辅助控制通道，在医疗、军事、交通等领域有着广泛的应用前景。近年来，BCI发展迅速，具有多种类型。其中，基于运动想象的BCI使用方便，控制灵活，受到广泛的关注。此类BCI的关键在于信号处理方法。目前其信号处理方法的主要问题是如何促进BCI的实用化，即如何提高分类精度，减少训练样本，开发异步模式。针对这些问题，本文从预处理、特征提取和分类算法三个方面开展研究工作： 1、挑选电极是BCI重要的预处理步骤。在提高分类精度的同时，减少电极个数，方便BCI系统的安置，具有实用意义。因此，本文提出了一种基于二进制粒子群(Binaryparticle swarm optimization，BPSO)和共空域模式滤波(Common special patterns，CSP)的电极选择算法。该算法从组合优化的角度抽取电极，并且定量分析了不同电极组合和特征分类能力之间的关系，可以根据实际需要调整折中系数。实验表明：该算法可以删除大量无关电极，提高分类精度。 2、特征提取的基础是运动想象的脑电生理背景。目前为止，人们对这些生理背景的认识还很不充分，尤其是运动相关电位(Movement related potential，MRP)。本文针对MRP非振荡、缓慢变化的特点，提出一种时—空滤波算法，联合优化时、空判别信息。该算法是经典的判别空域模式法(Discriminative spatial patterns，DSP)的二维推广。实验表明：该算法能够更加迅速、准确地捕捉MRP的时—空特征，从而大幅提高BCI的分类精度。 3、现有的大多数BCI信号处理方法要求用户输入大量的样本，才能准确地提取特征，获得理想的分类精度。这样不利于BCI的实际应用。因此，本文提出一种基于小样本的自适应空间滤波算提取事件相关去同步/同步(Event—related desynchronization/sync—hronization，ERD/ERS)特征。其思想是依据特征值之间的相邻关系，采用软判决的方式估计样本的噪声概率以及离群程度，并自适应地降低它们对各类特征中心计算的权重。实验表明：该算法可以减少BCI用户的训练量，增强BCI系统的鲁棒性。 4、皮层脑电图(Electrocorticogram，ECoG)BCI信噪比高，具有潜在的应用价值。但是ECoG需要侵入式采集，且非平稳性显著，针对这种情况，本文利用希尔伯特—黄变换(Hilbert—Huang transform，HHT)探索ECoG的频域分布特性，并提出了两种ECoG信号处理算法。(1)先提取和压缩窄带特征，然后封装粒子群(Particle swarm optimization，PSO)和C均值算法以调整特征权重，适应ECoG模式的变化。实验表明：仅用少数电极即可获得理想的分类精度。(2)利用各条窄带幅模—时间序列的均值和振荡差异，抽取频域模式区分不同的运动想象。该方法揭示了ECoG脑源信号在频域的混叠特性，实验表明：只须采集单个电极的ECoG数据，即可获得理想的分类精度，有效地降低了手术风险，减轻了ECoG—BCI对受试者的创伤。 5、异步工作模式是BCI发展的必然趋势，其主要难点在于空闲状态和控制状态的分类。针对此问题，本文提出一种自适应空闲状态检测方法。该方法依据样本特征值的分离紧致度，自动地调节判决门限，并对预测标签进行模糊化处理。实验表明：该算法减轻了用户精神状态的变化给分类算法造成的影响，降低了预测结果的均方误差，提高了空闲状态检测率。 综上所述，本文主要研究了基于运动想象的BCI的信号处理方法。特别的，对于MRP、ERD/ERS的特征提取以及ECoG的频域分布进行了较详细地讨论，最后提出了一种自适应空闲状态检测方法。