脑电信号是人体自发产生的一种生物电，它与面温、脉搏、血压等生理因素一样可以反映人体的心理状态。一直以来，人们希望能够通过对脑电信号的分析实现大脑与外界的直接联系。脑-机接口技术的出现使得这种期待已经逐步成为现实。在脑-机接口技术中，精准和快速地识别脑电信号是研究者们努力实现的一大目标，而提高脑电信号识别率的重要途径就是提取有效的信号特征和选择合适的分类方法，为了实现这一目标，本文的具体研究工作如下：首先，本文提出一种结合优势电极原则和经验模式分解（Empirical ModeDecomposition, EMD）的脑电信号分类方法。针对脑电信号空间分辨率低的特点，采用优势电极原则，依据单电极分类性能筛选出优势电极。针对脑电信号是非平稳非线性特点，采用EMD方法对EEG单道信号进行处理。经EMD方法提取信号特征后，进行特征重组，强化优势特征，剔除冗余特征，提高了信号的分类性能。其次，提出一种基于多导并行处理原则的脑电信号分类方法。以往通过观察脑区在时间轴上的能量变化判断脑区的激活情况及脑区之间的联系。多导并行处理原则通过分析多个导联组合后的分类性能，发掘多个导联之间的关联性，进而推测导联对应脑区的关联性。该方法简单有效，为研究刺激激活脑区之间交互效应提供了一种新思路。最后，针对持续想象脑电信号——在一段时间内不间断执行多种想象任务而采集到持续的脑电信号——提出一种基于转换点检测和样本纯化策略的分类方法。该方法首先假设不同想象任务之间存在转换点，通过计算训练样本集相邻样本之间的欧式距离，估计出转换点处样本间距的阈值，用于检测测试样本集的转换点；其次认为持续想象同一任务时，会因注意力涣散、疲倦等因素导致信号受噪声污染，该策略加入样本纯化思想，通过设定样本间距离范围，筛选出纯净的信号样本，并返回这些样本中的大多数类别作为该任务所有样本的类别。该策略从信号特点出发，降低了传统分类方法通过正确识别单个样本提高整体样本识别率的难度，在BCI标准数据集上得到了非常理想的识别效果。