脑机接口(BCI)是一门多学科交叉技术,可以不依赖于神经通路和肌肉实现人与外部环境的交互。BCI系统已在助老助残、康复医疗、军事等各个领域有着广泛的应用。对BCI技术的研究不仅可以提高人机交互的效率,也有助于理解高级认知任务过程当中脑活动的机制。人脑是一个复杂的非线性系统,其动力学特性往往难以通过数学建模方法进行分析。因此,如何有效辨识脑电信号、如何融合多通道脑电信号进而揭示人脑的认知机理仍为亟待解决的具有挑战性的问题。本文基于BCI系统,设计运动想象实验范式并开展实验,采集左手和右手运动想象EEG(electroencephalograph)信号。为了进一步提高运动想象信号的分类准确率,本文将共空间模式(CSP)与卷积神经网络(CNN)相结合,进一步提取有效特征。原始信号经CSP方法空间滤波后进一步整合成图像的形式,作为CNN网络的输入层。CSP特征图像经过卷积、池化等操作,逐步变成较为高级的特征表示。分类结果表明,CSP-CNN模型具有较好的分类性能,与传统方法相比,平均准确率提升约7%。针对多通道脑电信号的融合分析问题,本文提出基于小波时频分析的功能性脑网络构建方法,进一步探究左右手运动想象期间脑活动的特点。其思路可概括为:首先基于连续小波变换提取各通道信号的能量序列,再将各个通道视作节点,依据能量序列间的二范数距离确定连边从而构建脑网络。脑网络功能性连接特性可基于网络指标进行进一步描述。结果表明,运动想象任务期间,对侧感觉运动区的节点介数值更大。这意味着此区域节点在运动想象期间更易被激活,成为脑网络信息交互的枢纽。为了探究P300实验中由疲劳症状引起的脑认知过程的改变,本文设计并开展P300信号采集实验,并利用小波多分辨率方法构建脑网络,分别计算正常与疲劳状态下脑网络的小世界指数。结果表明,疲劳状态下脑网络的变化体现为小世界指数的增大,即网络的局部聚集性和总体连通性增强。