脑机接口是人机交互领域的热门研究方向，它可以不依赖于常规的神经通道，为大脑和外部设备建立了一条直接的通信渠道。自从 Graz 大学设计出基于运动想象的脑机接口以来，大量的研究者开始尝试设计各种脑电交互系统。但是研究的重点主要集中于分类准确率等问题，对于脑机接口在复杂任务的交互模型研究较为不足，讨论异步式的脑机接口也不够充分。在文字输入方面，英文相关的脑机接口输入研究较多，汉字输入还有很大的研究潜力。
　　本文以脑电的异步交互模型为研究对象，围绕模型的建立、脑电信号的采集、深度学习的分类以及汉字输入方法的设计展开了具体的研究，主要工作如下：
　　1.建立了基于脑电的人机交互仿真模型，研究了单次分类维度、分类准确率、任务目标数等模型参数对交互准确率和效率的影响。在此基础上提出了一种基于脑电的二分类复杂任务交互方法，通过模拟仿真，在同样完成16个目标任务的情况下，与四分类法相比，准确率提高7.7%，执行时间缩短40%。
　　2.提出了一种基于经验模态分解的模板匹配方法，针对脑电信号中的眼动伪迹干扰进行自适应检测和去除，结果表明该方法伪迹信号识别率达到 95%，去除伪迹后的脑电信号依然保留有效的特征。
　　3.提出了一种可变时间窗的半监督深度学习分类器,通过设计适合深度学习的输入数据结构和对有限样本的数据增强，解决深度学习模型容易过拟合的问题。对脑机接口竞赛和实验室采集脑电数据的分类结果表明，分类准确率提高到87.6%，与传统的特征分类法（支持向量机、近邻分类器等）相比提高了6%。
　　4.设计了一种可穿戴的无线脑电采集装置，使用干电极的传感器采集脑电信号，使用近红外传感器采集大脑血液动力学信号，实现了小型化、可穿戴化和可扩展化。实验表明该装置可以有效地采集大脑电信号和血液动力学信号。利用该装置设计了异步式开关，使用 ROC曲线分析和阈值修改的方法将假阳性概率降低至1.75%。
　　5.在上述研究工作基础上，设计了一种基于脑电运动想象的异步式双拼中文输入法。该方法使用异步方式开启系统，二分类模型进行交互选择，把复杂的中文输入简化成级联二分类问题；结合词组联想输入方法，输入速度最高可以达到3.3秒每个汉字。
　　综上所述，论文针对脑电的特点建立了多任务人机交互模型；通过模拟仿真提出了一种基于二分类的复杂任务交互方法；设计了可变时间窗的深度学习分类器，提高了运动想象分类准确率；设计了一种基于脑电运动想象的异步式双拼中文输入法，实现了基于脑电的快速中文输入。