脑机接口（Brain Computer Interface,BCI）技术不依赖于大脑常规的神经肌肉输出通路,由大脑直接输出信息与外界交流,提供了一种新的人机交互方式。脑机接口系统通常由信号采集部分、信号处理部分、控制设备部分和反馈环节组成,而信号处理部分又包括预处理、特征提取以及模式分类,其中最关键的部分是对信号的特征提取,将不同类别的信号提取出差异最显著的特征,才能对不同的信号进行有效地识别和分类。因此研究如何提取得到更好的特征,对于脑机接口系统应用有着重要的意义。本文重点研究了运动想象脑机接口的算法,对不同的预处理、特征提取和模式分类算法进行了比较和研究。在特征提取部分,除采用传统的特征提取算法外,还针对多通道运动想象脑电数据,采用非线性格兰特因果性分析方法和方向传递函数方法,辨识出不同通道间的关联性,构造脑网络结构特征,将这些特征融入传统算法所提取的特征集合中,进一步提高了运动想象脑电信号分类的正确率。论文的主要内容如下:（1）研究了运动想象脑电信号处理中常用的算法,并通过实验进行了比较和分析。在预处理算法中,采用巴特沃斯滤波器和小波包分解与重构算法对所采集的运动想象脑电信号的处理效果进行了比较;在特征提取算法中,通过自回归模型（Autoregressive Model,AR）、小波变换（Wavelet Transform,WT）和共空间模式（Common Spatial Pattern,CSP）对运动想象脑电信号提取特征;在模式识别算法中,采用线性判别分析（Linear Discriminant Analysis,LDA）和支持向量机（Support Vector Machine,SVM）对提取的特征进行分类,并比较和分析了不同算法的处理效果。（2）采用多变量非线性格兰特因果性分析（Granger Causality,GC）方法和方向传递函数（Directional Transfer Function,DTF）方法对大脑不同区域不同通道间的因果关系和信息流向进行辨识,对不同核函数的非线性格兰特因果关系和不同信号频率的方向传递函数的计算结果进行了研究,并根据不同通道脑电信号间的关联性构建运动想象因效性脑网络,将脑网络特征用于模式识别,获得了较高的分类正确率,验证了通过构建脑网络特征对左右手运动想象脑电信号分类的有效性。（3）将常用特征提取算法对运动想象脑电信号提取的单通道特征与构建脑网络得到的网络特征相结合,进一步提高了左右手运动想象脑电信号的分类正确率。实验结果显示,对于6名受试者的脑电数据,采用AR模型参数特征进行分类的平均正确率为82.9%,而融合了由非线性格兰特因果分析和方向传递函数得到的脑网络特征后平均分类正确率分别达到了87.6%和87.5%。