脑机接口（Brain-Computer Interface,BCI）技术可以帮助人们通过脑电信号来控制机器,从事各种工作,具有广阔的应用前景和巨大的市场潜力。近年来,随着计算机软硬件的快速提升,脑机接口技术发展也变得迅速。但是,脑机接口技术仍处在发展阶段,存在数据的信噪比低和被试间差异等问题,导致分类的准确度较低。基于此问题,本文的主要内容如下:（1）由于不同被试间的脑力负荷程度不同,会影响脑电数据的质量。因此,本文对被试者进行脑电负荷评价分析,进而筛选出脑电负荷较低的脑电数据。为了诱发出被试者的高脑力负荷状态,设计了无人机的范式任务。通过反应时任务,对被试者脑力负荷状态的行为学和事件相关电位进行分析。通过对被试者的脑电微状态进行定量分析,能够有效的评价被试者的脑力负荷程度。（2）由于原始数据中包含了大量的伪迹噪声,本文设计一系列的噪声去除方法进行伪迹处理。首先通过巴特沃斯带通滤波器提取有效频段数据,再经过小波变换平滑数据去除部分噪声。然后,再针对难以处理的眼电伪迹,提出了基于QT（Quality Threshold）聚类自适应的独立成分分析（Independent Component Analysis,ICA）眼电伪迹去除算法。该算法首先通过ICA对数据进行盲源分离,再利用极值差值确定眼电源,最后通过QT自适应的方法剔除眼电伪迹。（3）本文提出了SW-Neu Cube脉冲神经网络模型。在编码模型选择方面,利用常用的时序脉冲编码模型对运动想象脑电数据进行编码和解码。通过评价参数对编码模型进行定量的计算误差,选择出最合适的编码模型。在权值更新方面,考虑了神经元的空间距离,提出了Space-STDP时间权重更新模型;其次,考虑了SF编码模型特性,提出的Weight-de SNN频次权重更新模型。利用开放的运动想象数据集,对SW-Neu Cube模型进行仿真验证,通过对分离度和准确度结果比较分析,发现SW-Neu Cube模型相对于Neu Cube能够提升一定的分类准确性。除此之外,通过传统的神经网络模型进行准确度的分析对比,发现SW-Neu Cube模型仍存在一定的优势。总之,本文通过脑电微状态脑力负荷评价,在一定程度上解决了被试间脑力负荷程度不同导致的被试间数据差异问题。利用伪迹去除,在一定程度上提高了脑电数据的信噪比。通过SW-Neu Cube脉冲神经网络模型,一定程度上提高了神经网络对脑电数据分类的准确度。