从信号处理的角度来说,大脑是生物体内结构复杂、生理电信号难以提取的一个器官,更是整个中枢神经系统的实际“掌控者”。脑部神经元在受到不同的刺激后,会产生一定的神经冲动,其本质是电信号,这些电信号反映了大脑在不同状态下的特定信息,通过分析这些特定信息,我们可以识别大脑的活动意图。所以,探索脑部的科学研究始终具有重大意义,更是21世纪自然科学必然接受的严峻挑战。脑-机接口技术（Brain-Computer Interface,简称BCI）是一种不依赖于正常的由外围神经和肌肉组成的输出通路的通讯系统^[1]。它通过提取头皮的脑电信号,经过数字处理技术对这些信号进行剖析,从而“读取”人脑意图的目的,同时也提供一种用户与外界设施的通讯和控制信道^[2],这是一种人与计算机之间新兴的交互模式。BCI系统是一门新型的热门话题,其中涉猎了神经科学、计算机科学与技术、信号与信息处理技术等各项技术的交叉^[3],已经被广泛关注。主要应用于军事与康复医学等领域,其中在医疗中康复机器人的迅速发展,帮助渐冻人症、重症肌无力等病人恢复一定的控制和交流能力。BCI系统根据不一样的刺激从而产生的不一样信号的特点,可以被分成为基于P300、SSVEP、运动想象等系统。其中,以基于运动想象为基础的BCI技术是将由想象肢体运动引发的脑部运动皮层区域的脑电波节律作为输入,再经过系统的核心部分——信号处理部分,来提取脑电信号的特征,然后匹配分类器来对运动想象的种类进行判决。最后将这些识别的种类编码成控制命令,实现人脑直接对外部设施的通信及控制。但是因为脑电信号有易干扰、动态性、瞬时性、低信噪比和非平稳性等特点,使它的发展和运用也面临更加严峻的挑战。所以基于运动想象的BCI技术的重点就是如何提取更加有用的脑部信号的特征,并择选出最佳的识别方法。本文主要是针对基于运动想象的BCI系统的脑部信号展开研究,主要从对脑电信号进行预处理、特征提取和特征分类等方面进行探索研究。从时频域、深度学习网络等领域进行剖析,提取脑部信号的特征信息并匹配最佳分类器。本论文提出了基于S算法做预处理,卷积神经网络做特征提取,支持向量机做特征分类,采用国际标准数据库的脑电数据和自己采集的脑电信号对算法的可行性进行验证。本论文主要概括成以下几个部分:第一部分,绪论为文章的第一部分,详细解说了文章研究课题的背景、意义及目的所在,并且详细分析了目前国内外相关系统的发展现状,在研究中采用的各类方法以及应该吸取的经验,并对BCI技术的工作流程做出简单的介绍。第二部分,对本课题的系统总模块做出框图分析,整个BCI系统包括脑电信号采集模块,信号处理模块,控制外部设备模块,反馈环节。其中系统的核心是信号处理模块,也是文章课题研究探讨的重难点,它包括预处理、特征提取以及特征识别。第三部分,在时频域对脑部的信息进行预处理和提取特征,提出了基于卷积神经网络（CNN）的提取特征的方法。本文设计了一个5层网络,对脑电信号进行提取特征,最后利用BP反馈算法对网络进行调整,使误差减低。第四部分,识别分类算法工作。本文从支持向量机（SVM）、贝叶斯分类器（BLDA）、梯度Boosting（GB）来分析匹配最佳的特征分类的方法,得到较高的分类准确率。第五部分,通过对国际标准的数据库提供的脑电数据从预处理、特征提取、特征分类来验证算法的可行性。同时,我们设计了一个关于想象左右手大拇指弯曲的实验,用本文提出的方法进行分类识别,进一步验证算法的有效性。第六部分,最后总结自己在研究生期间的科研工作,对自己参与的工作提出改进和完善。