脑电图是当今流行的疾病诊断工具,常用于监控脑电(简称EEG)信号变化,帮助人们更好地了解大脑的生理结构,医疗工作者可根据经验对脑电图进行分析和诊断,但EEG信号中包含了大量的噪声,所以噪声的去除是EEG数据分析及处理的首要环节。如何从含噪的信号中恢复原信号,实现信噪分离,已成为EEG去噪的重要研究课题。小波分析是近些年多通道EEG信号去噪领域中迅速发展起来的一种新技术,目前被广泛应用于临床诊断和科学研究,很多学者也借助小波函数进行EEG去噪研究。但目前去噪的算法在噪声识别和噪声去除上存在一定的局限,鉴于此,本文在小波去噪算法的基础上,提出了新的小波阈值函数去噪方法,同时应用了贝叶斯估计新的小波阈值函数的系数,并对去噪后的EEG信号进行了卡尔曼滤波分析。主要研究工作如下:基于多通道EEG信号的特点,采用PCA降维技术去掉了多通道EEG信号之间的信息冗余,讨论了傅里叶、小波分解与重构、小波软阈值的去噪算法及影响,构建了新的阈值小波函数,解决了多尺度分解条件下EEG信号去噪效果不理想的问题。通过仿真实验,验证了新的阈值小波函数算法的去噪效果,并从信号的评价指标上,比较了不同的算法对去噪性能的影响。在新的小波阈值去噪算法的基础上,根据多通道EEG信号的拉普拉斯噪声模型,对贝叶斯估计理论进行了解析。从贝叶斯估计算法出发,论证了该算法可有效地估计新阈值函数的小波系数。实验结果表明,贝叶斯估计新阈值小波函数系数的算法相比于新阈值小波函数去噪算法,可有效地解决能量低的问题,从信号的评价指标上分析,能量比提升了12%,均方根误差下降了0.1,信噪比提升了0.2d B,谱峰值和原始信号更加接近。以贝叶斯估计算法去噪后的EEG信号进行实验,通过对噪声信号的状态方程进行评估,从而选择最优的去噪解对观测值进行卡尔曼滤波。实验研究结果表明,相比于贝叶斯估计算法,应用卡尔曼滤波算法可有效地滤除幅值为5mv以下的噪声,且信噪比提升了0.3d B,能量比接近了100%,更好地还原了原始信号特征。