脑电（Electroencephalogram，EEG）信号蕴含了意念控制的有用信息，在生物医学工程、人工智能和神经工程学等方面均有广泛的研究与潜在应用前景。基于脑电信号的脑机接口(BrainComputerInterface，BCI)技术，把脑电信号转化为对外界的控制信号，实现了人脑控制信息与计算机等外设间的交换。因此可以通过对脑电信号的分析获取人的动作意愿，从而控制助残装置。脑机接口技术已经成为人工智能领域的研究热点课题之一。本文在国家自然科学基金项目（61172134）的支持下，研究了脑电信号的预处理、特征提取、模式分类的方法，探讨了多模式分层控制的脑机接口智能轮椅的实现方法。本文研究工作的主要成果及创新点如下：（1）在脑电信号预处理阶段:采用双树复小波变换和RADICAL算法对脑电信号进行预处理。首先用双树复小波变换进行消噪，采用的是分层复阈值函数处理，并且对比了双树复小波变换与小波变换方法对脑电信号的消噪效果。然后经过RADICAL算法盲源分离，实验表明RADICAL算法能成功得到去除伪迹后的脑电信号，验证了RADICAL算法在脑电信号盲源分离中的有效性。基于双树复小波变换和RADICAL算法的预处理消噪为脑电信号后续的特征提取创造了良好的条件。（2）在特征提取方面:提出了基于关联维数的脑电信号特征提取方法，介绍了嵌入维数的选取过程。然后提出了基于模糊化符号复杂度的脑电信号特征提取方法，并且比较了基于模糊化符号复杂度和二值化Lempel-Ziv复杂度这两种脑电信号特征提取方法。通过实验证明了模糊化符号复杂度能很好的表征脑电信号特征变化，可以用于脑电信号的特征提取。（3）在模式分类方面:首先对基于关联维数和基于模糊化符合复杂度两种特征提取方法的模式识别结果进行了分析，寻找合适的分类器提高识别的准确率。介绍了多模式分层控制方法，利用EEG关联维数的差异识别出睁眼和闭眼这两种状态来作为选择控制模式，ERD/ERS方法识别出两类脑电运动想象任务，组合成四类不同模式，另外加上安静闭眼（即没有运动想象）时这一模式。共用安静闭眼、闭眼运动想象左手、闭眼运动想象右手、睁眼运动想象左手、睁眼运动想象右手五种模式。步骤是：先根据EEG关联维数的差异，EEG关联维数最小的为安静闭眼，闭眼的两类脑电运动想象EEG关联维数比安静闭眼大，睁眼的两类脑电运动想象EEG关联维数比闭眼的两类脑电运动想象的要大。再根据模糊化符号复杂度来识别出两类脑电运动想象中想象左手还是右手的意识任务。最后选择出关联维数和模糊化符合复杂度的联合特征向量，利用支持向量机对脑电信号进行有效分类识别，5种模式下脑电信号识别结果的平均分类正确率约为69%。（4）针对基于脑电信号的电动轮椅控制平台提出了总体控制方案，介绍了脑机接口系统设计。然后重点描述了基于单片机的电动轮椅控制实现。最后研究了脑电信号控制电动轮椅的命令传输实现。多模式分层控制的脑机接口智能轮椅的运动模式的分类就是根据脑电信号的特征，来判别使用者希望执行的指令，结合轮椅当前的运动状态，实现速度和方向的控制。所用电动轮椅前进有三档速度：高速（6km/h）、中速（4.5km/h）和低速（3km/h），轮椅能向左、向右转，轮椅能够后退，后退的速度只有一档，完成左转、右转、前进、后退、停止、加速、减速七个运动模式。