近十几年来,脑-机接口(BCI)技术的研究在国际上引起了广泛的关注并得到了快速的发展,它直接为大脑与外界环境提供了一种新的信息交流和控制通路。运动想象脑电是它的一个重要分支,具有操作简单、易于设计的优点,但还存在分类识别精度不高、个体差异性无法克服的问题,所以本文以运动想象脑电信号作为研究对象,对脑电信号的分类识别算法进行了深入的研究。对于多导联、多频率的运动想象脑电信号来说,信号的特征提取算法在使用上很大程度依赖于信号频率与导联通道的选择,所以在特征提取前需要对原始脑电信号的特征参数进行选择。本文在传统的采用互信息进行参数选择的基础上,提出了基于相关系数与散度分析的特征选择算法。针对第三届国际BCI竞赛提供的小样本学习运动想象数据集,对三种特征选择算法分别进行自回归(AR)模型谱估计与共空间模型法(CSP)的特征提取,最后进行线性判别分类器(LDA)的分类识别。由仿真结果可知,基于相关系数与散度分析的两种算法均能够很好的选择出最优的频率与导联参数,得到的识别准确率(ACC)与互信息(MI)值均优于互信息的选择算法。文章还提出了将AR与CSP算法得到的特征向量进行组合,仿真结果显示将组合后的特征进行分类识别具有更好的实用性。针对散度分析方法选择出来的频率、导联参数进行AR模型谱估计与CSP空间滤波的特征提取,将二者得到的特征向量组合后经过LDA分类器的分类输出,实验结果显示此种实验方案取得ACC与MI的均值最大,更适合于运动想象脑电信号处理的研究。