基于脑电信号(Electroencephalogram,EEG)的运动想象脑机接口可以为人体提供一个不依赖人体外周神经和肌肉组织交流的方式。脑控机器人以脑机接口为基础,结合了机器人控制技术,实现了通过人类大脑控制机器人来完成一系列动作。脑电信号的强度微弱、随机性大且敏感度高,非常容易被眼部、心脏噪声等外界伪迹干扰。此外,实现脑控机器人的任务执行准确性和实时性的难题之一便是如何提取运动想象脑电信号特征,不同的受试者之间脑电信号也存在较大的差异性,导致运动想象EEG信号分类准确率不高的问题。基于以上存在的问题,研究脑电信号伪迹消除和特征提取方法很有必要。本文研究了基于组信息指导的独立成分分析方法的运动想象EEG信号伪迹消除方法,基于脑网络的多域融合多尺度特征提取算法,优化特征向量,提高多类运动想象脑电信号的分类正确率,设计并实现一个基于运动想象EEG信号的脑控机器人实验平台。主要研究工作如下:(1)由于EEG信号会不可避免地受到其它伪迹信号的干扰,提出一种基于组信息指导的独立成分分析方法,使得多个不同受试者之间分解出的独立成分具有对应性,减弱参考量选取的敏感性,提高算法的鲁棒性。实验结果表明,该方法相比传统的参考独立成分分析算法,能有效地将伪迹分量从脑电信号中分离,使得特征提取后的分类准确率明显提升。(2)由于受试者之间脑电信号存在个体差异性,导致运动想象EEG信号分类准确率不高,设计提出基于脑网络的运动想象EEG信号多域融合特征提取方法。使用复杂网络分析方法对基于脑功能连通性建立的脑网络特征进行测度,构建脑网络功能拓扑图,在此基础上提取不同的脑网络测度指标。实验结果表明,与单独使用共空间模式算法和共空间模式结合局部特征尺度分解的算法相比,该算法可更高效地完成运动想象EEG信号的分类。(3)设计和实现一个脑控机器人实验平台。运用以上研究方案,搭建基于脑机接口的NAO机器人交互实验平台。完成实时运动想象脑电信号的采集和处理,建立人机交互界面,将运动想象脑电信号识别成4种运动模式,以运动想象脑电信号与在线脑机接口系统交互,对提出的算法进行验证。