脑机接口（Brain-Computer Interface,BCI）提供了一种人脑和外界环境之间通信的新途径，它能够将人类的思维想法转化为现实中对应的机器活动。目前，基于运动想象脑电的BCI系统具有实验设计简单，且能够实现异步通讯的特点，已成为BCI领域的研究重点。　　本文针对多类运动想象脑电BCI系统模式识别算法展开深入研究，研究内容主要分为以下三个方面：EEG的特征提取方法、基于时间序列的模式分类算法以及分类实验。本文的主要工作内容归纳如下：　　（1）基于小波变换的多分辨率、生物电信号的调幅以及共空间模式（Common Spatial Pattern,CSP）的空间差异化特性，首先采用离散小波变换（Discrete Wavelet Transform,DWT）提取运动想象脑电信号相关的小波子带系数，然后利用希尔伯特变换（Hilbert Transform, HT）提取小波包络特征，获得脑电信号的幅度调制信息。其次，结合共空间模式变换从空间与频率模式提取脑电特征，有效克服共空间模式缺乏频域信息的不足。　　（2）采用长短时记忆（Long Short-Term Memory,LSTM）单元变体构建递归神经网络多类分类器。通过矩形窗对脑电信号分段提取特征，然后利用LSTM神经网络对得到特征序列进行分类。针对脑电信号分类问题的特点对Vanilla LSTM单元结构进行改动，使得该单元权重能够在不影响分类结果的前提下矢量化，并结合小批量梯度下降算法，提高网络训练速度。　　（3）基于BCI竞赛数据集，对小波包络特征、DWT-CSP特征，以及LSTM分类器与传统分类器进行了分类实验。针对小波包络的四种不同统计特征及其组合，得出最优统计组合特征。在多类数据集上的结果表明DWT-CSP特征优于小波包络特征。分别基于小波包络特征和DWT-CSP特征，改进的LSTM分类器相比传统分类器也得到了较好的分类结果，验证了考虑时间序列信息的LSTM应用于多类运动想象脑电识别的可行性。