脑卒以其高发病率和高致残率成为当前严重威胁人类健康的一大类重要疾病。约三分之二的脑卒中患者伴有上肢运动功能障碍，给其精神和身体带来极大痛苦。如何有效帮助此类患者进行康复治疗是当今社会的需要，也是人工智能、康复工程等多交叉学科的研究热点。脑机接口(Brain-Computer Interface, BCI)技术能够建立不依赖于大脑外围神经与肌肉的通信控制系统，将BCI技术应用于脑卒中患者的运动康复治疗，可激发患者的主动运动意愿，同时，将患者运动想像与实际运动统一起来，有助于改善康复疗效。本文以手臂运动功能康复为目标，对手臂运动想像脑电信号的眼电伪迹的自动去除、自适应特征提取、模式分类方法以及在线手臂康复系统的设计等内容进行深入研究，取得主要成果如下：(1)基于典型相关分析与小波变换的眼电伪迹去除方法针对脑电信号在实际采集时常受到眼电伪迹干扰较大的问题，提出一种基于典型相关分析(Canonical Correlation Analysis, CCA)和离散小波变换(DiscreteWavelet Transform, DWT)的眼电伪迹去除方法，即DWT-CCA法。首先，对采集的多导脑电信号和眼电信号进行离散小波变换，获得多尺度小波系数，并利用典型相关分析去除小波系数间的相关性，得到互不相关的典型小波系数；进而，利用相关系数判别眼迹成分，将相应典型小波系数置零并依次采用CCA逆变换和DWT逆变换获取剔除眼电伪迹后的脑电信号。利用国际BCI竞赛数据库提供的9位实验者的4种眼电数据，将本文方法与其它常用方法进行实验对比研究，并对实验结果进行显著性分析。结果表明，DWT-CCA法在均方根误差、信噪比方面具有显著优势，且具有较好的实时性，并表现出较强的适应能力。(2)基于正交希尔伯特黄变换和增量式支持向量机的脑电信号识别方法运动想象脑电信号微弱，易受到实验环境、实验者的状态及其个体差异等多种因素的影响，甚至随着患者康复的进行和时间的推移而发生变化，如何自适应地提取出能够准确反映大脑活动的有效脑电特征并适时进行正确分类是BCI技术能否应用于康复的关键。为此，提出一种基于正交希尔伯特黄变换(OrthogonalHilbert-Huang Transform, OHHT)与增量式支持支持向量机(Incremental SupportVector Machine, ISVM)的脑电识别方法(记为OHISVM)。首先，对脑电信号(Electroencephalograph, EEG)进行伪迹去除，并以熵准则选取最优脑电极组合；进而，基于OHHT计算脑电信号的Hilbert瞬时能量谱和Hilbert边际能量谱，从而获取EEG信号的时域、频域特征，并基于共空域子空间分解法(Common SpatialSubspace Decomposition, CSSD)方法提取脑电信号的空域特征，之后，采用串行特征融合策略获取脑电信号的时-频-空多域特征；最后，使用增量式支持向量机实现脑电信号的特征分类。利用国际BCI竞赛数据库的ECoG标准数据及实际采集的手臂伸/屈运动想象脑电信号进行实验研究，验证本文方法的正确性和有效性。(3)基于MI-BCI的手臂运动功能康复在线系统设计在上述研究的基础上，设计面向手臂运动康复的MI-BCI在线系统，以实现利用手臂屈伸运动想像EEG的识别结果实时控制机械臂的屈伸运动。该系统主要包括两大部分：一部分为PC端的上位机部分，其主要实现对脑电信号的采集及处理工作。脑电信号的采集利用g.MOBIlab的CAPI函数和多线程技术实现，脑电信号的处理工作包括对脑电信号的伪迹去除、特征提取和模式分类，PC端应用软件基于MFC(Microsoft Foundation Classed)并结合Matlab与C++语言混合编程技术完成；另一部分则为基于ARM9的S3C2440处理器构建的下位机部分，以实现控制机械手臂的运动及基于7寸液晶屏的实验提示功能，下位机软件基于uc/GUI图形系统开发完成。上、下位机之间的通信通过串口实现。实验结果验证了MI-BCI康复系统应用于手臂运动功能康复领域的可行性，将有助于对增强中风及偏瘫患者的手臂康复训练的主动性，提高训练及治疗效果，展现了其在该领域的潜在的应用价值与应用前景。