随着当今科技的快速发展,人们对智能家居的智能化需求越来越高。近年来人们对脑机接口（Brain Computer Interface,BCI）技术以及脑电信号（Electroencephalogram,EEG）的研究已取得了一些实际成果。如何实现家居设备的“脑电波”控制,这是当今智能家居一个新的研究方向。只有将BCI技术真正应用到智能家居系统,将人的“意念控制”在智能家居系统中准确地体现,才能更好地实现家居系统的智能化。本文基于BCI技术对脑电信号进行采集、预处理、特征提取、分类识别,最终转化成控制智能家居设备的指令,实现了家居系统的脑控功能。论文主要工作如下:（1）EEG信号的采集与预处理。通过事件相关去同步/事件相关同步（Event-related Desynchronization,Event-related Synchronization,ERD/ERS）分析,确定额脑区、中央脑区对应的C3、C4、F3、F4通道EEG信号作为家居设备（台灯、风扇）的开、关信号进行研究。本文利用实验室EEG信号采集装置Emotiv EPOC+脑电仪,设计采集方案进行EEG信号采集。针对采集到的原始EEG信号受噪声干扰失真问题,本文采用了一种自适应样本熵小波阈值函数去噪法,构建了基于样本熵的自适应阈值函数,与传统去噪方法相比起到了更好的效果。仿真结果表明了采用方法的有效性。（2）EEG信号的特征提取与分类识别。在特征提取方面,本文引入了CSP、AR模型、PSD三种算法进行特征提取并进行仿真分析。在分类识别方面,本文引入Bagging算法、Adaboost算法进行分类识别,针对以上算法的不足,本文提出了一种改进型Adaboost分类器算法,对训练数据集进行聚类处理,将低精度分类模型Gm（x）的定值系数αm更新为函数βm。仿真表明:改进型Adaboost分类器算法与前两种算法相比提高了信号分类的准确率,且CSP算法提取的特征值经改进型Adaboost分类器算法处理后的信号分类准确率最高,故本文采用CSP算法对EEG信号进行特征提取。（3）系统设计。系统设计分为软、硬件两部分。系统软件设计包括上位机、网关平台、终端节点和Web云平台四个部分的编程设计。硬件设计包括网关平台（包括系统主控模块、WiFi模块）、Zig Bee模块、终端节点模块和外围电路等部分的设计。网关平台主控制器选用STM32F103C8T6,完成数据处理和对终端设备的控制。家居系统和Web云平台间通过WiFi模块进行数据交互。ZigBee模块实现各节点的无线组网。终端节点模块设计包括各传感器节点和控制节点的电路设计。（4）系统实验与分析。对基于BCI智能家居系统进行实验测试,实验结果验证了本文采用的自适应样本熵小波阈值去噪算法和改进型Adaboost-CSP分类算法的有效性以及所设计系统的可行性。