将采集到的脑电信号（Electroencephalogram，EEG）经过预处理、特征提取和分类识别等步骤，最终输入到计算机或者相关的电子设备里，外部设备通过解读人脑不同意识活动状态做出相对应的动作，这就是脑-机接口（Brain Computer Interface，BCI）技术的实现过程。BCI能给一些身体不能动弹而思维清醒的人带来重新与外界交流的机会，在康复领域具有极其重大的研究价值。本文基于两类运动想象脑电信号，以运动想象数据长度作为切入点，分别研究了左右手运动想象和小样本的右手右脚运动想象的脑电信号。针对脑电信号信噪比低、非平稳性以及分类识别正确率不高等特点，对脑电信号分别从预处理、改进特征提取算法、优化分类器性能三方面出发，提高对两类运动想象信号识别的正确率。本文的主要工作如下：(1)在软阈值去噪的基础上，提出一种改进阈值去噪算法。以信噪比、均方根误差为去噪效果的定量指标，将改进的阈值算法与硬阈值、软阈值法、Garrote阈值法进行比较。改进阈值算法在一定程度上消除了脑电信号中的毛刺，使信号更加平滑，同时也提高了EEG信噪比。(2)将小波包分解算法和CSP算法相结合，对脑电信号进行特征提取。根据脑电信号的事件相关去同步/同步现象，利用功率谱分析和信号的平均功率得到发生想象的时间和频率段。利用小波包具有对高低频信号同时进行分解的特点，引进小波包分解算法特征提取脑电信号时频域的信息。针对采集到的EEG信号中隐含空间域的信息，利用CSP算法提取脑电信号中的空间域信息。时域、频域和空间域三者都进行特征提取，能够保证提取到的特征具有完整性，提高分类识别正确率。(3)针对传统CSP算法处理小样本的脑电信号数据时，多个样本的协方差估计会产生偏差的缺点，提出正则化的CSP算法（R-CSP）。该算法通过寻找多位实验者之间的脑电信号的相关性，弥补了由于实验数据不足而引起的分类误差。通过最优参数的选取，提取到最佳的特征向量，输入到分类器中得到最终的实验结果。(4)采用遗传算法和传统的支持向量机（SVM）相结合，对特征向量进行分类识别。由于传统的SVM算法在参数的选取上存在寻优较繁琐、工作量大的缺点，利用遗传算法实现对惩罚因子C和核参数最优值的快速选取，进而优化支持向量机的性能。其最终的实验结果表明，GA-SVM算法在分类识别正确率上相比于传统的SVM算法有很大的提高。