脑-机接口(brain-computer interface, BCI)是一种不依赖由外周神经与肌肉组成的正常的输出通道的通信系统。BCI技术作为一种新型的人机交互手段,近年来已经成为康复工程以及生物医学工程等领域的研究热点。对脑电(electroencephalogram, EEG)的正确分类是决定脑-机接口性能的关键因素,因此研究基于脑电的分类识别算法具有重要的现实意义。目前,BCI系统中的分类算法大多数是对特定时间段的脑电信号特征进行分类,虽然在统计分析上使用的时间段可能具有最好的区分度,但对于单次观测信号,却忽略了相邻时刻或以前时刻的有用EEG信息。EEG是非平稳信号,若只考虑某一时间段的EEG信息,则无法充分利用单次观测信号的全部信息,也难以实现准确率与判决时间的折衷。针对这一现状,本文对基于信息累积分类算法在BCI系统中的应用进行了深入地研究。首先,基于左右手运动想象EEG在初级感觉运动区所表现出的事件相关去同步／同步的特性,对每位受试者的数据进行频谱分析。考虑到个体的差异性及小波在非平稳信号分析中的优势,采用Morlet小波提取频带能量作为分类特征。该方法能够提取最优频带能量,从而达到提高脑电信号分类准确度的作用其次,基于信息累积思想对前人的经典分类算法(LDA、SVM、Bayesian等)进行了扩展,实验结果表明信息累积分类算法能得到更高的分类准确率、互信息及卡帕系数,但无法实现动态分类。为了解决这一问题,结合Morlet小波基特征提取方法,提出了种基于序贯似然比检验(sequential probability ratio testing, SPRT)的运动想象EEG动态分类算法。该方法在分类中无需预先固定样本量,而是逐次取样累积分类信息,可以实现准确率与分类时间的折中,有利于解决BCI的实时控制问题。实验结果表明三个运动想象数据集共13位受试者的平均正确率达到82%以上,互信息和卡帕系数等指标也表明该方法能够有效提高BCI系统的性能,具有较好的实用性。最后,利用多类BCI竞赛数据,对序贯分类算法是否适用于多类BCI系统进行了探究。本文基于Morlet小波与CSP相结合的特征提取方法,提出使用SPRT作为分类器,将四分类问题转化为多个二分类问题进行解决。由于序贯分类的思想还没有被应用到多类运动想象数据的识别中,因此该算法为多分类问题提供了一个新的切入点。