传统的脑—机接口(BCI)研究,主要针对单模态脑信号进行处理分析,单模态信号含有的可分信息有限,会存在分类精度难以提高、分类不稳定等问题,为了进一步提高BCI的分类性能,本文主要开展了以下研究工作:(1)基于脑电(EEG)直接脑控多机器人协作任务研究。采用稳定性、准确性和快速性较好的稳态视觉诱发电位(SSVEP),选择性能优良的典型相关分析(CCA)算法,并设计两种脑开关,实现脑控多机器人协作(MRC)任务,得出一种有效的脑控MRC方法。(2)上述研究为基于多通道的EEG-BCI,不利于BCI的便携适用性发展,特此开展少通道的EEG-BCI研究。采用两种方案:小波包分解(WPD)方法、希尔伯特黄变换(HHT)方法。分别将原始3通道数据扩展为15通道,进而利用共空间模式(CSP)提取特征,并采用两种分类器进行识别,结果表明,两种方案均有效,且HHT效果优于WPD。(3)针对EEG-BCI所反映出的准确率不高、稳定性不足等问题,开展另一种模态BCI技术研究——基于fNIRS的BCI。采用近红外光谱(NIRS)信号作为BCI的输入信号,获得相应氧合血红蛋白(HbO)的浓度变化,经过预处理和特征提取后,采用三种分类器进行模式识别,研究证明NIRS-BCI相较于EEG-BCI,可以获得更为理想的准确率与稳定性。(4)为解决两种单模态BCI各自存在的局限性,开展EEG与NIRS两种模态结合的BCI研究。考虑两种信号的采集特点,设计联合采集实验范式,进行试验并采集数据。将EEG和fNIRS两种信号分别进行处理,然后采用特征融合策略,将两种特征融合成新的特征向量,之后进行分类验证。结果表明,两模态结合的BCI分类性能优于两种单模态所得结果。