近年来,脑-机接口系统的发展得到了众多国内外研究人员的关注,并成为神经工程领域一个新的研究热点。随着脑-机接口的不断发展,研究人员正试图将BCI技术应用到实际生活中。但是,对基于运动想象的脑-机接口系统,当导联数目过多时会导致共空域模式算法的性能降低,因此脑-机接口系统一直难以在现实生活中应用。另外,随着导联数目的增加,多通道脑电信号的记录需要复杂的准备工作以及复杂的计算过程,既费时又可能降低分类正确率。为解决此问题,本文提出四种导联选择算法：第一种是二进制多目标粒子群优化算法(bMOPSO);第二种是基于培养的多目标微粒群优化算法(cMOPSO);第三种是L1-norm算法；第四种是基于滤波器组的cMOPSO算法(fbMOPSO)。bMOPSO算法和两种cMOPSO算法都是基于微粒群(PSO)的,微粒群优化是一种启发式研究技术,它是对鸟群寻找食物时的活动规律性进行建模与仿真。起初,PSO算法主要用来解决单目标优化问题,MOPSO算法是PSO算法的扩展,它在解决多目标优化问题中应用也越来越广泛。大部分MOPSO算法在整个进化过程中对所有粒子使用固定的权重和加速度,与bMOPSO算法不同,cMOPSO算法通过引入一个培养架构去适应变异粒子的个体飞行参数。第三种算法是典型的L1-norm算法,这个方法对两分类数据能够选择较少的导联数目。另外,本文用三种分类算法对脑电数据进行分类：支持向量机(SVM)、k-近邻法(k-NN)和BP神经网络算法。最后,分别对三种分类算法和四种导联选择算法进行实验仿真。仿真结果表明,三种分类算法中,支持向量机和k-近邻法分类效果比BP神经网络好。四种导联选择算法在没有降低分类正确率的情况下,基于fbMOPSO算法能够选择更少的导联数目。