脑磁图具有高时空分辨率等显著特点,随着近些年来脑磁探测技术的逐渐成熟以及探测设备的商用化,基于脑磁图的脑机接口（Brain-computer interface,BCI）成为一个非常有前景的研究方向,面向运动状态的脑磁图解码（即分类）算法研究具有一定的理论意义和广泛的应用前景。为了研究在脑磁图上进行运动状态解码的可行性以及有效性,探索可行的解码方案并根据研究内容进行改进优化,本文分别以支持向量机和卷积神经网络为基础设计了两种运动状态分类算法,并依据脑磁图数据结构和脑磁源空间的特点,对上述两种算法进行了针对性的改进。本文的主要工作如下:（1）脑磁图预处理算法研究:本文对脑磁图公开数据集进行了调研以及分析。同时为了对脑磁图数据进行降噪,本文通过对典型预处理算法的研究,设计了一套针对脑磁图的预处理策略。最终在目标数据集上验证了该策略的有效性。（2）基于支持向量机的脑磁图运动解码算法:在基于传统机器学习的脑磁图运动状态解码算法的研究中,本文选取支持向量机作为切入点,提出了基于核函数的改进RBF-SVM算法,在目标数据集上的实验结果验证了该改进算法的可行性及有效性。（3）基于卷积神经网络的脑磁图运动解码算法:在基于深度学习的脑磁图运动状态解码算法研究中,本文选取卷积神经网络作为切入点,首先选取典型脑电图解码算法EEGNet和脑磁图解码算法LF-CNN作为基准对照,然后基于脑磁源空间模型在LF-CNN的基础上提出了改进算法,在目标数据集上的实验结果表明该改进算法具有更好的解码效果。本文分别完成了基于支持向量机和卷积神经网络的脑磁图运动状态解码算法研究,在HCP数据集上的实验结果验证了在大规模脑磁图数据集上进行运动状态解码的可行性,以及所提改进算法的有效性,为脑磁图解码算法的研究提供了可行的方向和改进思路。