在全球人口老龄化、残疾人和脑疾病患者数量不断增加的大环境下,帮助这些行动不能自理的特殊人群提高生活质量,是一个亟待解决的问题。脑机接口技术绕过了人类的神经系统和肌肉等通常的大脑信息传递通道,直接建立大脑与外部设备的连接通路,该技术为特殊人群和特殊环境场景提供了一种新型机械臂控制方法。本学位论文基于混合式脑机接口方法,分析了脑电信号的频域特征和眼电信号的时域特点,提取了相应的特征参数并通过不同算法进行了分类,最终实现了基于脑电和眼电的混合式脑机接口的机械臂运动控制。本文选择了H10C脑电帽作为信号采集设备,设计了脑电和眼电的采集实验,针对脑电与眼电的实验数据存在基线漂移、噪声干扰和眼电伪迹的问题,对信号使用中值滤波进行基线校正,采用了小波硬阈值滤波去除工频和高频干扰,采用了基于样本熵的二阶盲分离算法去除眼电伪迹。为了提取能够表征不同眨眼动作的特征参数,本文从时域、频域、时频域进行了脑电与眼电信号的特征提取。在时域上提取了脑电和眼电信号的波幅、均值、标准差和相关系数作为特征值,比较了不同行为任务造成各电极之间的波形差异;在频域上使用AR模型提取了脑电各节律信号的单位平均功率和节律总功率,表征不同行为任务下的脑电节律变化情况,以及使用者在主动眨眼和被动眨眼时脑电信号的区别,提高了对主被动眨眼判断准确性;在时频域上通过对比以db4和sym5小波基函数分解和重构后的脑电和眼电信号的信噪比和均方误差,选择sym5作为本文小波变换的基函数。提取小波变换的小波近似系数作为表征眼电信号的特征值,为了比较不同行为任务的脑电信号变化,提取了小波分解各子频段的小波能量占比表征脑电的特征参数。针对提取的眼电和脑电特征值进行了特征降维和分类研究,为了减少特征值数量,采用遗传算法和BP神经网络进行了特征降维处理,在保证特征分类准确率的情况下,将原有的39个特征减少到21个特征。采用了随机森林算法对眼电信号特征值进行分类研究,取得了90.55%的分类正确率。对脑电特征值分别使用了BP神经网络分类算法和支持向量机算法进行了分类研究,结果表明支持向量机算法能够得到更高的分类准确率(准确率达到82.78%)。分析了随机森林和支持向量机分类器的分类结果并对分类结果校正,最终实现了整体分类准确率达到94%以上。为了安全、灵活高效的完成不同的任务,本文选择了具有主动安全模式的UR5机械臂作为混合式脑机接口的执行器。建立了UR5机械臂的运动学模型,对机械臂进行了正逆运动学求解,完成了机械臂在工作空间坐标系和关机坐标系下的轨迹规划问题。建立了UR5机械臂的仿真模型,测试机械臂对直线和圆弧轨迹规划的可靠性和动力学性能。设计了基于混合式脑机接口的机械臂控制交互指令,建立了计算机和机械臂的TCP/IP通信连接,完成基于眼电和脑电的混合式脑机接口对机械臂运动的准确控制。