脑-机接口(Brain-computer interface, BCI)是一种将人类思维活动转换为外界控制信号的通道。作为一种全新的信息交换和控制方式,它可以为那些思维活动正常,但有肢体运动障碍的患者提供语言交流和环境控制,并且在自动控制、军事、医疗领域具有潜在的应用价值。本文首先介绍了脑-机接口的研究背景及意义、基本原理与系统组成、分类及发展状况。分析了脑电信号的产生机理及采集原理,分析了几种半监督学习算法在脑-机接口中的应用。本文主要内容是对半监督学习算法在脑-机接口中的应用进行研究。分析了几种常用的半监督学习算法,并将其引入到脑-机接口系统中。着重讨论了基于流形学习的半监督学习方法在脑-机接口中的应用,并将该方法与直推式支持向量机、基于低密度分离的半监督学习、基于凹凸算法的直推式支持向量机三种机器学习方法进行对比。实验结果表明,基于流形学习的方法较其它方法可以更有效的降低被试的训练复杂度,提高脑-机接口系统的分类准确率,为在线脑-机接口的发展奠定了基础。同时,基于流形学习的半监督学习方法可以扩展为一个机器学习算法框架,该框架包括了目前主要的几种机器学习方法:全监督学习、半监督学习、无监督学习。文章使用该框架分析从本实验室采集的脑电信号,实验结果突显了半监督学习的优越性。最后对所做的工作和研究成果进行了评述,对本文在脑-机接口中仍需要深入研究的地方做了展望,为将来的研究奠定了基础。