脑机接口（Brain　Computer　Interface,　BCI）技术是解释大脑信息，从而使大脑直接控制外部设备的一项技术，它为人类控制外部设备提供了新的方式。在信息技术和计算机技术高速发展的大背景下，国内外都积极投入到脑机接口技术的研究中，从最早在医学中的实验到如今已经被广泛应用于娱乐，军事，商务等各个领域。目前应用最广泛的是基于脑电图（Electroencephalograph，EEG）的非侵入式脑机接口系统，由于其设备廉价，实验简单且具有较理想准确率而受到人们的喜爱。随着脑机接口技术的流行，人们为了追求更高的实际的应用价值，基于脑机接口系统的运动想象模式识别技术受到越来越多的关注。由于运动想象脑电信号具有信噪比低，信号非平稳非线性等特点，脑机接口技术如何得到更强解释大脑信息的能力一直是该领域的难点。
本文主要针对异步运动想象中的检出问题和分类问题展开研究，以通过非侵入式干电极的采集方式采集到的运动想象脑电图信号为研究目标信号，展开了以下几方面的工作：
1）提出一种基于能量增值的检出方式，可实现对运动想象起止时间的提取。该算法首先通过小波包变换提取目标信号的能量特征，再通过和待检测信号的一系列比较得到能量增值，根据能量增值来进行运动想象事件的检测。经过在2b数据集上的数据实验，本方法离线检出平均准确率为80%左右，最高可达92.87%；在线平均检出准确率为71%左右。
2）本文提出一种基于机器学习方法的多分类算法，可直接对多类运动想象模式分类。该算法首先在训练集中得到频域共空间模式（Filter　Bank　Common　Spatial　Pattern，FBCSP）特征和AR模型（Autoregressive　model，AR）特征，分别计算各特征与类别间的互信息（Mutual　Information，MI）。互信息一方面作为该特征的优劣度量，另一方面用于计算最优分类时间段，同时根据训练集标签信息训练朴素贝叶斯分类器。然后在测试集中同样提取FBCSP特征和AR模型特征并对其按照训练集得到的互信息对特征空间中的特征进行降序排列，选取前若干个特征使用朴素贝叶斯分类器进行分类，最终得到特征个数-分类准确率的曲线。本方法通过第四届脑机接口大赛2b数据集和实验室采集到的数据验证，左，右和无运动想象三分类准确率可达68.5%，同时由于该方法选择基于概率模型的分类器，故可以较好的迁移到更多类的分类问题中，因此本算法有较强的应用价值。
3）设计脑电数据采集实验来进行实验验证。根据要求对受试者先进行为期一周的运动想象训练，之后通过实验室脑电设备及实验要求进行实验数据采集，本次实验选择两名受试者的实验数据用于实验验证与分析。经过实验验证，本文中提出的检出方法离线准确率平均可达89%，在线检测平均准确率为86.9%；三分类平均准确率可达75%以上。