脑卒中存在着高复发率、高死亡率和高致残率的问题,脑机接口（Brain Computer Interface,BCI）技术作为一种新的信息交流方式,能够有效应用于脑卒中领域的医疗康复。脑卒中患者通过运动想象（Motor Imagery,MI）脑电（Electroencephalography,EEG）信号可以完成对外部设备的直接控制,该过程具有自发性和积极性,有助于诱导患者进行大脑神经回路重塑,从而实现患者的脑部以及肢体等部位的功能康复。然而,目前MI任务的识别种类和分类精度有限,为了使MI-BCI系统应用于更为复杂的训练场景,多类MI任务的精确识别和扩展应用亟待解决。本文深入研究运动想象脑电信号的伪迹去除和多任务运动想象的分类,结合可变长编码策略扩展机械臂控制指令,设计并实现运动想象脑电信号控制的多指令脑机接口系统。具体研究工作包括:（1）启发式阈值优化导向的脑电伪迹消除方法研究。为了解决MI-EEG信号信噪比低以及传统小波阈值算法导致的波形失真问题,构造介于软、硬阈值函数之间的具有收缩特性的阈值函数,提出适应度函数和与分解层数有关的渐进型阈值,并对适应度函数进行优化,得到阈值函数和阈值中的待定系数,实现MIEEG信号的伪迹去除和重构。通过与传统小波变换和其他改进小波变换算法对比,证明了该方法可以更好地对MI-EEG信号中的伪迹成分进行消除。（2）串-并行深度学习架构驱动的多任务运动想象分类方法研究。针对传统特征提取和分类算法处理MI-EEG信号融合过程导致的特征丢失问题,构建一个端到端的用于四种运动想象任务分类的神经网络架构。选取特征显著频段的MI-EEG信号,并利用改进的小波变换算法提高信噪比,通过经验模态分解算法实现原始信号样本的数据增强,设计多个不同尺度的卷积核分别提取信号的时域、频域和空域特征,利用双全连接层综合特征并分类,通过对搭建好的网络分解,形成多个子网络,联合判定分类结果,并结合微调策略增加特定模型的泛化能力。通过对比常见的神经网络,证明该深度学习架构的高准确率。（3）基于可变长编码的多指令脑机接口应用研究。设计并实现基于可变长编码的异步MI-BCI系统。根据训练场景为机械臂的七个自由度设置使用频次,评估不同受试者对四种运动想象任务的识别准确度,选择精度较高的两种作为其最佳动作组合,并利用霍夫曼编码策略将不同MI-EEG信号动作以一对多的方式映射为机械臂各自由度运动指令,同时设置“进入选择”和“取消选中”指令,实现MI-EEG信号对机械臂多自由度实时控制的训练任务。