脑机接口（brain-computer interface，BCI）是利用脑电信号作为人与外部设备进行通讯的一种方式的系统。目前BCI技术中主要的脑控算法包括：基于视觉诱发电位（VEP）、运动想象电位（MI）、慢皮层电位（SCP）、事件相关电位（ERP）中的P300算法，都属于单一模式系统，但都存在控制目标少或长时间刺激引起视觉疲劳等缺点。本文提出了通过α波切换的稳态视觉诱发（SSVEP）与运动想象（MI）双模态的BCI脑控机器人系统，并对两种模式下特征提取、分类算法进一步进行改进。　　当系统处于稳态视觉诱发（SSVEP）模式时，测试者通过一定频率的视觉刺激控制“阿凡达”机器人进行前进、后退、左转、右转动作。当处于运动想象（MI）模式时，通过想象运动使机器人完成左、右手挥手动作。通过实时检测脑电α波特征进行视觉诱发、运动想象和空模式三种模式的切换。本文主要研究内容包括：　　1）脑电信号预处理算法研究。由于视觉诱发和运动想象脑电信号频率都集中在5~40HZ频段，所以首先采用5~40Hz的巴斯沃特带通滤波器进行滤波，滤波之后通过z-score方式进行标准化处理使脑电特征更容易识别。　　2）稳态视觉诱发电位特征提取分类算法的研究。因为传统的脑电处理知识针对信号层面的，并未考虑个人生理特征差异，因此本文首先采用基于脑电特征的MP匹配追踪算法对脑电信号对进行处理提高信噪比，使脑电特征更加明显。处理后的数据通过功率谱密度分析方式（PSDA）进行分析。通过对O1，O2，Oz三通道幅值进行求和、比较求出峰值所对应的频率即是诱发刺激频率。　　3）运动想象脑电信号特征提取和分类算法研究。根据运动想象脑电信号ERD/ERS现象，本文介绍了传统共同空间模式（CSP）特征提取方式，并针对CSP方式采用导联较多的缺点提出了基于小波分析能量和AR模型功率在时域和频域相结合的方式进行特征提取。提出了SVM与LDA组合分类方式进行分类，不但能够减少SVM弃分类或误分类的概率又能够具有高效处理少量数据、二分类问题的优势，提高分类的稳定性和准确率。　　4）完成稳态视觉诱发、运动想象和空三种模式切换的设计。根据睁、闭眼对大脑α波的阻断现象，通过实时检测脑电信号中O1、O2通道的α波的幅值是否超过已设定阈值判断是否进行三种模式的切换。　　本文提出了根据α波进行稳态视觉诱发、运动想象和空三种模式切换的脑控机器人系统，即能够实验多目标控制又避免了长时间视觉刺激进引起的视觉疲劳；同时提出了基于SVM和LDA的组合分类器对运动想象脑电信号进行分类，结合两种分类器的优点，提高了分类正确率和稳定性。