脑-机接口(Brain-Computer Interface, BCI)(?)将人的思维解读为一系列的外部控制命令,使人们可以不依赖神经肌肉通路而达到与外界交流的目的。脑-机接口的研究在康复工程领域以及理论价值方面都具有重要的意义。尽管脑-机接口的研究已经有很多成果,然而BCI系统在实际的应用中仍有很多的问题待解决,比如系统的速度和精度以及在线连续识别等问题。因此,研究具有高效率的算法以及开发实用性的在线脑-机接口系统具有十分重要的意义。本文根据左右手运动想象中脑电信号的μ节律的特性,对其特征提取和模式识别算法进行深入的研究,且对部分算法做出一定的改进,提高了算法的分类精度,并最终建立具有实时在线识别功能的脑-机接口系统。具体工作如下：(1)自主设计左右手运动想象的脑电信号采集实验,主要有2名受试者参与了该实验,采集到的数据用于后续的离线特征提取与模式识别算法分析。(2)所使用的特征提取算法能是否能很好地反映脑电信号的特点,将极大地影响最终分类的精度。本文研究了基于峭度极大的动态ICA、AR模型、共同空间模式以及二阶矩能量等特征提取算法,对采集到的运动想象脑电信号的分类取得了较好的效果。(3)模式识别方面,使用遗传算法对一些神经网络的权值和阈值以及对支持向量机的参数进行优化,提高了分类精度。另外,采用基于后验概率的支持向量机方法,选择一部分具有较大后验概率值的样本添加到训练集中,对训练集进行一定的扩充,从而改善对测试样本识别的精度。(4)运用Visual c++编程语言,对SCAN软件客户端软件进行开发,实现了个能够在线识别左右手运动想象系统。系统分别采用二阶矩能量和基于峭度极大的动态ICA算法进行特征提取。基于峭度极大的动态ICA算法产生的混合矩阵系数的时间波形能及时准确地反映u节律能量变化。两者判定识别结果的方式都是通过比较能够反映运动想象脑电信号的u节律特性的特征能量的大小,其在线识别率分别能达到87%和97%。使用二阶矩能量特征,运算量小,算法简单易实现,而基于峭度极大的动态ICA算法应用于BCI系统具有创新性,为BCI系统的研究提供了新的思路。