基于运动想象的脑机接口(Brain-ComputerInterface,BCI)系统在康复医学和康复工程训练中是非常重要的环节。然而,运动想象脑电信噪比低、随机性强,特别是个体差异和非平稳性突出,导致运动想象脑电的解码准确率偏低且不稳定,这直接影响到康复功能的有效性。为了进一步提高运动想象脑电解码的性能,本文结合脑电信号特性和生理先验信息,基于稀疏优化理论和方法对运动想象脑电的解码方法进行了较为系统的研究。具体研究工作如下:第一,针对脑电信号的通道选择和分类问题以及交叉验证选择模型参数的局限性,提出了基于组稀疏贝叶斯逻辑回归的运动想象脑电信号分类模型。在贝叶斯学习框架下,通过引入组自动相关决策(GroupedAutomaticRelevanceDetermination,GARD)先验对脑电通道进行组稀疏建模。新模型可以同时进行通道选择和分类,并且模型参数可以从训练数据中自动估计得到,避免了繁琐而耗时的交叉验证过程。实验结果表明,所提出的方法取得了较好的分类准确率和较少的通道数,所选择的通道与神经生理更加吻合。第二,为了提高脑电信号分类模型的准确性、自适应性和生理可解释性,提出了一种新的运动想象脑电分类模型,即融合组最小绝对值收缩和选择算子(LeastAbsoluteShrinkageandSelectionOperator,LASSO)。一方面,根据通道属性对特征进行分组,同一通道的特征分配相同的权重,进行组稀疏建模;另一方面,使用全变差范数将相邻通道的权重约束为相同或相近,从而实现空间光滑建模。实验结果表明,与现有的稀疏优化方法相比,所提出的方法具有更好的分类准确率和生理可解释性;与现有的空间滤波方法相比,所提出的方法使用数据驱动的方式实现全局空间光滑,解码模型更具自适应性。第三,为解决现有共空域模式(CommonSpatialPattern,CSP)特征提取和特征选择方法存在计算量大且耗时的问题,提出了三种新的CSP特征提取方法和一种非凸对数稀疏特征选择方法。在特征提取方面,先对脑电信号进行CSP空间滤波,然后通过离散小波变换(DiscreteWaveletTransform,DWT)、小波包分解(WaveletPacketDecomposition,WPD)和滤波器组(FilterBank,FB)三种方法弥补CSP的频域信息。在特征选择方面,为解决LASSO的偏置问题,提出了基于log函数的非凸正则化模型,选择更具判别性的空-频特征。另外,为了进一步优化特征选择和增强分类模型的鲁棒性,提出了用于二次特征选择和集成模型构建的集成学习方法。实验结果表明,所提出的方法取得了较好的分类性能,其特征提取时间优于其他方法,特征选择的性能也优于现有的方法。第四,针对CSP方法存在的噪声敏感和过拟合问题、时-空-频联合选择问题以及脑电信号的非平稳性问题,提出了基于LASSO稀疏特征选择和Tikhonov正则化CSP(TikhonovRegularizationCSP,TRCSP)时-空-频集成的运动想象脑电解码方法。通过CSP正则化技术、时频联合优化方法以及集成学习的有机结合建立了统一的算法框架,在该算法框架下同时解决CSP的噪声敏感和过拟合问题、时-空-频联合选择问题以及脑电信号的非平稳性问题。大量数据的实验结果验证了所提方法的有效性。相比现有的CSP时频优化方法,所提方法计算量小,模型复杂度低,具有更好的鲁棒性和稳定性。本文针对运动想象脑电的解码问题,提出了一些新的理论和方法,并取得了一定效果。所提出的方法对以后的BCI系统开发具有一定的参考价值和推动作用。