21世纪被世界公认为是生物科学和脑科学的时代,对人脑高级认知功能的多学科、多层次的综合研究呈现指数增长的趋势。在全球性脑研究计划的推动下,我国提出了“脑科学与类脑研究”的战略部署以期在脑科学、脑疾病早期诊断与干预、类脑智能计算三个前沿领域取得国际领先的成果。脑电信号的科学研究是脑科学研究领域的重要组成部分,脑-机接口技术(Brain–Computer Interface,BCI)是用于人脑与计算机或其他电子设备之间的通信和控制系统,它不同于人脑通常所依赖的周围神经系统和肌肉组织进行信息传递,而是通过人类的头皮电位(即通常的脑电图信号)直接将信号传递到计算机进行信号识别并实现相应的控制。BCI技术因在医疗康复工程、自动控制系统以及军事领域具有重要的应用前景,从而成为近年来研究的热点。基于运动想象的BCI(Motor Imagery-based BCI system,MI-BCI)系统主要采用运动想象脑电信号作为信号输入,通过计算机进行信号处理,从而实现人脑与外部设备之间的通信和控制功能。因此MI-BCI系统能否快速有效地提取和识别与任务相关的脑电信号特征是当前研究人员面临的重大课题。随着信号采集技术的进步,脑电信号的“维度爆炸”和信道冗余问题影响了分类器的分类效果。为解决这些问题,本研究基于二分类MI-BCI系统提出了两种高效的信号处理框架,即基于特征选择的运动想象脑机接口算法处理框架和基于信道自适应选择的运动想象脑机接口系统。数据来源于BCI竞赛数据库III中的数据集I,Stockwell变换和贝叶斯线性判别分析分别应用于特征提取和分类,并在特征选择过程中使用遗传算法(Genetic Algorithm,GA)提取最相关的分类特征、信道选择中使用GA选取最佳信道。通过比较有无特征选择的过程,调整GA的参数,选择出最佳特征集(选择48.6%的特征)实现了分类灵敏度、特异性、精度和准确度分别为94%、98%、97.9%和96%,证明了使用GA进行特征选择改善了BCI系统的分类性能。通过对比有无信道选择的算法,选出最佳信道组合,仅使用64导联中的28个采集电极实现了分类灵敏度、特异性、精度、准确度和Kappa系数分别达到了98%,96%,96.08%,97%和0.94,超过了现有的算法结果。由于两种方法可以减少特征数量并选择最佳特征集,其分类性能得到改善的同时缩短了分类时间,为解决冗余特征和信道问题提供了一个有效的解决方案,也为脑电信号处理提供理论依据,本研究所采用的信号处理框架可以为相关的BCI应用系统研究提供参考。