脑与计算机界面(Brain Computer Interface(BCI))，一项正在兴起的技术，给我们提供了一种新的交互界面。这种技术可以把我们的大脑活动转化为控制信号来控制计算机，机器人等外部设备。脑机界面还同时为那些因为瘫痪或患有其他严重运动缺陷而无法通过正常渠道和外界沟通的病人提供一种新的辅助沟通手段。 BCI主要由输入，输出，以及把输入转换为输出的翻译算法组成。脑电图(EEG)或脑皮层电图(ECoG)是常用的记录大脑电活动的手段，因此也常常被用作脑机界面的输入信号。由于EEG信号中含有大量的噪声(包括伪差)，如眼动，眨眼和肌电信号，所以脑机界面需要设置预处理算法把有用的脑电信号和噪声区分出来。一种优秀的预处理算法可以提高脑机界面系统的传输率。本文中，我们提出了一种基于独立分量分析(ICA)的预处理算法。这种算法已经被广泛的应用于盲信号分离。我们相信基于独立分量分析的预处理算法在一定程度上可以把有用的脑电信号和噪声区分出来。经过预处理的信号有助于我们提取有效的特征。 脑电信号经过预处理后，需要从中提取有效的特征。本文中，我们从脑电信号中提取了三种特征；他们是(动态)幅值特征，(动态)共同空间模式特征以及运动相关电位特征。 在BCI系统中，翻译算法也是一个重要的组成部分。本文我们提出了基于分层委员会机器的翻译算法和基于半监督学习的翻译算法(包括基于自训练半监督学习的翻译算法和基于半监督支持向量机的翻译算法)。在训练样本集较少的情况下，基于分层委员会机器的翻译算法具有良好的分类扩展能力，而且这种翻译算法具有并行的结构，可以利用并行计算极大的减少它的训练时间。通过基于半监督学习的翻译算法，我们可以减少BCI系统训练过程所需的时间。当被标记的样本很少时，基于半监督学习的翻译算法可以利用未标记的样本的信息来获得良好的分类扩展能力。 为了验证我们的算法，我们对一组在Wadsworth中心进行的基于EEG的光标控制实验数据和一组基于ECoG的运动想象实验数据(这组实验数据由德国T bingen大学计算机工程学院以及医学心理和行为神经生物学学院提供)进行了离线分析。离线分析的结果证明了算法的有效性。