脑-机接口（brain-computer interface,BCI）系统在大脑和外部设备之间建立直接联系,通过识别大脑信号,把大脑活动直接解码成外部设备的控制指令。BCI系统在军事、教育、医疗、娱乐等方面得到了越来越多的应用。基于运动想象的BCI系统与人的自然想象和运动控制更加契合,因此本文主要研究运动想象脑电。由于运动想象脑电信号样本量小、信号维度高的特点,通道选择的作用显得尤为重要。过多的电极通道一方面会增加设备的成本,另外一方面也会降低使用者的舒适度,不利于设备推广使用。本文主要研究通道选择方法及其应用,具体研究内容如下:1.现有的工作主要研究通道选择方法的改进,忽略了不同特征对不同通道选择方法的适用性。为此,系统地研究了特征提取对通道选择方法的影响。所提取的特征分别是方差、自回归系数、带通功率、小波包能量及其4种特征的融合特征。所比较的通道选择方法分别为费舍尔判别准则、基于支持向量机的递归通道剔除、最小绝对值收缩和选择算子（least absolute shrinkage and selection operator,LASSO）及和组LASSO。实验结果表明,无论使用哪种通道选择方法,融合特征的分类效果均优于单一特征;其中,提取融合特征时,所有被试和方法的平均准确率为77.03%。2.针对传统共空域模式（common spatial pattern,CSP）噪声敏感性和过拟合问题,提出了基于通道选择的CSP改进方法。一方面,通道选择可以剔除包含噪声和冗余信息的通道,降低CSP的噪声敏感性;另一方面,通道选择可以减少样本协方差的估计偏差,从而缓解过拟合问题。该方法提取脑电每个通道信号的方差作为特征,并分别使用费舍尔线性判别分析和贝叶斯线性判别分析获取通道权重。对通道权重进行排序后,使用包裹式方法选择最优的通道组合。实验结果表明,通道选择可以显著地提高CSP的分类性能,使用BLDA分类的结果达到87.77%。3.基于小波包分解（wavelet packet decomposition,WPD）和CSP（WPD-CSP）的方法弥补了CSP方法的频率缺陷,但非常耗时。针对WPD-CSP的耗时问题提出了基于通道选择的WPD-CSP改进方法。首先,提取带通功率特征。然后,使用Fisher判别准则选择被试特异的最优通道。接着,对选择的通道进行WPD分解,并选择与运动想象任务相关的频率子带进行CSP特征提取。最后,用Fisher线性判别分析进行分类。实验结果表明,该方法具有较好的分类准确率,减少了特征提取的时间,在所使用的公开数据集上取得83.11%的准确率,特征提取所用的时间缩减为原来的1/7。本文的研究内容一方面可以提高运动想象脑电的分类性能,另一方面可以提高BCI系统的舒适性和便携性。