脑机接口（Brain-computer Interface,BCI）技术是一项融合了人类思维和机器的新兴技术。该技术最大的价值在于,通过人脑与机器的融合,打破当前人类与机器、人类与环境的交互方式,让人类能够突破肉体和工具的局限。在BCI技术中,运动想象脑电信号的处理方法成为其关键的组成部分。本文主要对左/右手运动想象脑电信号在处理过程中涉及的伪迹消除、特征提取和分类的方法进行分析和研究。在伪迹消除方面,实际的脑电信号采集过程中,因采集环境不同,可能会出现不同程度的噪声。这些噪声会干扰到有用信号,从而阻碍研究成效。当前已有的伪迹消除方法具有较好的去噪声能力,针对可能出现的极端噪声环境,存在无法继续保持良好的去噪声能力的问题。在特征提取和分类方面,脑电信号产生的信息相对复杂,在不同的应用场景下,会收集到不同的脑电信号,那么针对不同场景下,如何提升脑电信号特征提取的信息全面性及分类效率和精度问题,仍然是BCI技术需要完善的部分。本文的主要研究内容如下:（1）针对在不同噪声环境下解决伪迹消除稳定性的问题,提出了基于自适应全局最优引导的人工蜂群算法结合二阶Volterra过滤器（Adaptive Gbest-guide Artificial Bee Colony-Second Order Volterra Filter,AGABC-SOVF）模型的运动想象脑电信号伪迹消除模型。以Volterra滤波器为基础,通过具有良好的探索和开采能力的AGABC算法对二阶Volterra滤波器辨识核系数。得到更为精确的核系数后,建立不同环境下的脑电信号伪迹消除模型,实现脑电信号的伪迹消除。最后分别采用人工信号和真实运动想象脑电信号进行仿真验证,实验结果表明,在不同程度的噪声环境下,本文方法提高了脑电信号的伪迹消除能力。（2）针对脑电信号中有效特征信息不足的问题,加入了脑电信号空间信息,实现了结合电极位置信息、时间和频率的运动想象脑电信号二维特征提取方法。主要对左/右手运动想象任务敏感的三个电极点（C3、Cz和C4）的脑电信号信息进行提取,由短时傅里叶变换（Short-time Fourier Transform,STFT）方法获得各个电极点的频域信息,并与时间信息组成二维特征矩阵。（3）针对提高运动想象脑电信号分类精度的问题,提出了基于连续小卷积核的卷积神经网络（Continuous Small Convolution of Convolutional Neural Network,CSCNN）模型的运动想象脑电信号分类模型。主要采用了结合连续小卷积核和矩形卷积核的神经网络,提高了局部特征信息提取能力。其中采用最大池化方法和Relu激活函数,可以更好地保留关联的特征。实验结果显示,与其他方法对比,本文分类方法在分类精度和一致性上均表现优异,证明本文提出的方法具有较高的分类质量。