随着人口的老龄化和残疾人的增加,越来越多的人群需要用一种新的交流方式来代替传统的感觉反应通道,脑机接口技术应运而生,并成为国际上热门的研究课题。脑机接口即不依赖于传统的外周神经和肌肉组织,直接通过大脑发出指令来控制外部设备。脑机接口的研究目前仍处于实验室阶段,由于脑电信号的非平稳性和差异性使其难以精确地提取出来。论文基于脑电信号的生理学特征,通过对各种脑电信号的数据识别,试图寻找一个更加完善的脑电信号处理系统。其中,针对模式识别过程的两个关键环节,论文对特征提取和特征分类做了详尽的研究和算法的改进。首先,针对脑电信号的非平稳特性,提出基于小波变换系数、系数均值及小波熵相结合的特征提取方法,该方法在特征中加入了脑电信号的能量信息。实验证明,通过该方法获取的P300信号特征量能够更好地表达脑电信号中的瞬变成分,进一步提高了识别率；其次,在模式识别方面,改进了基于自训练半监督的支持向量机算法和基于自训练半监督的K均值聚类算法。在BCI2003竞赛数据集上的实验表明,相比于传统的BP神经网络,两种改进的分类算法在获得了更高的识别率的同时,能够将特征量维数降低一个数量级,大大提高训练收敛速度,进一步提高了基于脑电信号的实时BCI系统的可实现性。在先前工作研究的基础上,本文还针对目前国际流行的运动想象信号的特征提取与识别进行了算法的研究,结合了公共空间模式和BP神经网络两种方法,并在BCICompetitionⅣ的四分类想象运动数据集上得到验证,最终的分类效果相比于竞赛冠军有了进一步的改善和提高。