脑电信号（electroencephalogram，EEG）是一种重要的人体生理电信号。一方面分析脑电信号可以深入认识大脑的功能，了解生理特性，应用于临床疾病；另一方面，基于EEG的脑机接口系统（Brian-Computer Interface，BCI）无需外周神经和肌肉即可实现与外界设备的通讯与控制，具有广泛的应用前景,本论文主要包括以下内容。EEG的一个重要应用在BCI系统，特征提取和分类是BCI系统的重点。本文研究了基于运动想象EEG的BCI系统，提出了三种EEG特征提取方法：W-CSP、PSO-CSP和W-RCSP。第一种方法是小波分析和共空间模式（CSP）算法的结合，是一种时域、频域、空间域融合的方法，小波分析的时频特性使得其更加适用于处理非平稳的EEG信号。第二种方法是基于粒子群（PSO）的CSP算法，先用PSO优化最佳频带，然后应用最佳频带进行信号处理，第三种方法是基于小波的规则化CSP算法，引入两个规则化参数，增强CSP的稳定性。与传统的CSP对比分析表明，提出的方法能够更明显的区分特征向量。对于运动想象EEG的BCI系统中特征分类，对比研究了典型的线性和非线性分类器：LDA和SVM，并比较了两种分类器在应用不同特征提取算法情况下的分类结果。结果表明W-RCSP+SVM取得最高的平均分类准确度，W-CSP+LDA平均分类准确度最低，对于效率不高的受试者，W-RCSP+SVM达到最好分类准确度。说明W-RCSP更有利于处理噪声干扰大的信号，并且基于SVM算法的平均分类结果高于LDA，说明SVM处理非线性问题的优势，但当特征向量在投影空间区分明显时，LDA分类效率也很高，如基于LDA的W-RCSP，PSO-CSP也达到较高的平均分类准确度。在实验观察中，我们发现通过眼动EEG具有明显时域特性，本文实时提取向上和向下眼动的时域特征，达到了较高的识别正确率和传输速率，验证了眼动信号进行实时编码的可行性。然后，提出了一种结合运动想象和眼动EEG两种模态的异步BCI系统，实验结果表明，基于运动想象和眼动EEG的异步BCI取得较好的效果。