脑电（Electroencephalogram，EEG）是一种脑神经细胞的生物电活动，反映了大脑的功能状态，有效提取脑电信号中蕴含的信息，对于临床医学、康复工程、脑机接口等诸多领域的研究有着重要的意义。要使脑电信号控制的康复辅助装置能够按照使用者意愿智能化地服务于患者，如何有效提高不同场景下运动想象的识别率是其中的瓶颈和难点之一，并且已成为康复工程领域中具有挑战性的科学问题。本文在国家自然科学基金项目（61172134）的支持下，从课题研究的背景及意义出发，结合脑电信号的特点，研究分析了运动想象状态下脑电信号的采集与预处理、特征提取及模式分类等过程，探讨了基于多类意识任务识别的电动轮椅脑电控制方法。本文主要完成了以下研究工作，并取得了部分创新成果：（1）在脑电信号预处理阶段：提出了一种基于最小相依成分分析的互信息（Mutual Information based on Least dependent Component Analysis，MILCA）算法的脑电信号伪迹消除方法。针对脑电信号中眼电和心电串扰伪迹，首先用提升小波硬阈值法对多路原始脑电信号去噪，再运用MILCA算法对各通道信号进行盲源分离，同时采用信号间互相关系数和互信息量作为指标对伪迹分离的效果进行评价。实验对比分析表明，运用MILCA算法能较好地去除脑电信号中的眼电及心电伪迹，为后续的特征提取创造了良好的条件。（2）在脑电信号特征提取阶段：针对离散小波变换处理信号时存在的频谱混叠现象和平移不变性差的问题，探讨了实虚二元树滤波器形式双树复小波变换的原理以及特点，在此基础上提出了基于双树复小波变换能谱熵的脑电信号特征提取方法。此外，还研究了通过改变单一变量阶次p来自动调节时频局部特性的离散分数阶傅里叶变换，结合K近邻互信息估计与熵理论，提出了基于离散分数阶傅里叶变换互信息熵的脑电信号特征提取方法。（3）在脑电信号模式分类阶段：提出了基于粒子群算法优化支持向量机的脑电信号模式分类方法，解决了与分类性能相关的最优参数（惩罚因子C、核函数中的参数变量）选取问题，与传统网格划分搜索最优参数的方式相比，算法效率明显提高。（4）研究了离线状态下脑电控制电动轮椅的稳健方法，给出了基于脑电信号控制电动轮椅实验平台的总体方案，以及基于单片机的电动轮椅控制器改造等，设计了脑电信号采集的实验方案，对应轮椅前进、停止、左转和右转四种控制方式，研究了右脚踩油门、左手握轮椅控制杆向后移、左脚单脚跳并双手推轮椅向左移和右手握轮椅控制杆向上移四种动作作为运动想象的模式。实验结果表明，对于C3、Cz和C4三个通道的脑电信号，选取基于双树复小波变换能谱熵及频带复系数能量的15维特征和基于离散分数阶傅里叶变换互信息熵的72维特征组成的的联合特征向量，经过归一化和PCA降维处理后，采用粒子群算法优化支持向量机分类器进行分类，对于3类和4类纯运动场景的想象识别，平均分类正确率分别达到了75.57%和69.68%，其分类结果验证了本文所提出的基于脑电信号特征提取和模式识别算法的有效性。