脑机接口(brain-machine interface, BMI)技术在大脑与外部设备之间建立一条额外的信息交流通道,通过对大脑的神经元集群信号进行分析与建模,实现大脑与外界的直接交互与控制。本文研究了基于锋电位信号的脑机接口技术,锋电位信号信息量大、时空分辨率高,有望实现实时精确的神经解码和控制。本文重点研究脑机接口的以下几个关键问题：锋电位分类,神经解码,在线神经解码与控制系统,以及神经信息约简。作为脑机接口重要的预处理过程,本文首先研究了锋电位分类方法。基于粗糙集理论,建立了规则集形式的锋电位分类模型,对大鼠皮层神经元信号进行分类。当信噪比从10 dB降低至0 dB时,算法的分类正确率从99%降低至82%。该算法生成的模型由规则组成,具有较高的可读性,方便利用专家知识对模型进行调整,有助于神经科学的研究。得到锋电位发放序列后,本文建立了基于广义回归神经网络(General Regression Neural Network, GRNN)的神经集群编解码模型。利用神经信息解析大鼠压杆时前肢的运动参数。实验中,相对于维纳滤波、卡尔曼滤波、FFBP神经网络等传统解码方法,GRNN得到了较高的解码精度,并且易于实现增量式的解码模型,以应对神经系统的时变性。在离线神经解码研究的基础上,本文设计实现了在线解码与控制系统。该系统将原有的神经信号采集、数据传输、神经信息建模、机械控制过程整合到一起,实现了自动化的神经解码与机械控制。为了提高神经解码算法的实时性和解码模型的泛化能力,本文研究了神经信息的约简策略。基于粗糙集中的属性重要度,建立了神经元信息重要度的评估标准,给出了神经信息约简的定义,并得到了约简的属性集。基于约简后的神经信息,仅使用原始神经信息的1.6%就得到了原有分类精度的90%,在算法学习效率的评估中,约简后的各种分类算法的学习效率均提高了30-40倍,在保证较高解码精度的同时大幅提高了解码效率。