人机智能融合是机器人未来发展的一个趋势,而脑机接口是实现人机智能融合的一种重要手段,其核心技术是如何将人的脑电信号翻译成机器能够理解的控制指令。脑电信号是将多个电极放在头皮上提取的大脑皮层神经细胞的电生理活动信号。采用多少个电极以及电极放置的位置会严重影响后续脑电信号的识别准确性。虽然对于某些已知的脑电信号提取范式,比如运动想象产生的脑电信号,可以只挑选出运动皮层周围信号通道。然而,局限于现存的几种脑电信号提取范式,势必会阻碍脑机接口技术的进一步发展,所以发展新的脑电信号提取范式是必然趋势。然而对于新范式,与识别任务密切相关的脑电信号的通道是未知的。因此需要采用特殊的特征选择方法,从众多的通道中选择出与识别任务密切相关的通道。然而现有的特征选择方法并不能解决上述问题。因为每个通道的脑电信号会提取若干个频段的功率谱特征,即每一个特征源对应着一组特征,整个输入特征存在着一种组结构特性。常规的特征选择方法会打乱这个组特征结构,选择出单个重要的特征。要解决上述问题,就要考虑组特征选择方法,即要保留就要保留整个组的特征,要删掉就要删掉整个组的特征。现有的组特征选择方法大都针对回归问题或者两分类问题。对于多分类组特征选择问题都采用一对多策略将其分解为若干个两分类组特征问题。这种方式并不能选择出同时对于识别各个类别都有效的特征源子集。因此,本文提出一种新型的多类别组特征选择方法,融合多源特征与多类别特征选择方法的思想,能够选择出同时对于识别各个类别都有效的特征源子集。在标准数据集上验证了算法的有效性,并且在运动想象范式下的脑电信号数据上也得到验证,能够选择出理论上重要的通道。本文提出的方法用于解决脑电信号重要通道的选择问题,降低脑电信号维数,降低学习算法的计算量,防止学习算法过拟合,提高其识别性能,为新的脑电信号提取范式提供重要的通道的参考位置,对理解哪些脑区涉及到新范式的脑部活动也有一定的帮助。