人脑活动会产生电磁信号,可以通过设备对产生的电磁信号进行捕捉,捕捉的信号为脑磁图。研究脑磁信号,对人类攻克各种疾病和对人类各种高级行为比如语言、动作、思维的研究都具有深远的意义。脑磁信号在采集与传输的过程中,不可避免会受到大量的噪声干扰。同时脑磁图多通道多采样时间点构成的高维数据特性,给脑磁图的研究带来了难题。由于大量的噪声干扰,根据脑磁图的特性,需要设计合理的滤波器对脑磁图进行去噪。脑磁图的高维数据需要采用有效的降维方式进行维度的降维。同时维度降低后的特征数据,需要采用有效的方式对数据进行分类。本文结合脑磁图的特性,分析了各种滤波方法特性的基础上,采用组合滤波器对脑磁图信号去噪。在对比了线性降维和非线性降维方式的基础上,采用协方差式的降维对脑磁图信号进行降维并提取特征。在降维的基础上,本文采用SVM和Lasso模型对数据特征进行分类并做了对比,提出了组合分类器来提高模型的泛化特性。在有监督的组合分类器基础上,本文加入无监督的巴氏距离和黎曼距离对有监督的分类结果进行无监督的聚类,提升分类的精度。本文的创新性在于将有监督的算法与无监督的算法相结合,采用半监督的方式对数据进行分类。通过实验对设计的算法进行验证,在两个实验数据集上都取得了成功,两个实验数据集交叉验证的平均正确率分别为80.11%和99.2%,高于原先两个数据集比赛中最好的成绩73.6%的正确率和97.1%的正确率。