脑机接口(Brain Computer Interface,BCI)是一种人机交互系统,不依赖于人的神经通路,通过脑电信号(Electroencephalogram,EEG)和外界进行交流。由于其广泛的应用价值近年来已经成为脑科学、医疗康复、自动控制等领域的研究热点。由于脑电信号是一种非平稳的随机信号,因此提取有效的信号特征集是整个脑机接口系统中十分重要的环节。论文研究了两类运动想象任务脑电信号的特征提取算法,内容主要为以下两个方面:(1)基于运动想象和休息两分类的思维任务数据,选用了现代功率谱中的自回归模型(AR)模型参数估计对运动想象信号进行频谱估计。针对实际AR模型阶数往往是未知的问题,本文提出了一种基于采样率来选取模型阶数的方法,将这种方法与其他选阶法进行分析对比,根据事件相关去同步化/同步化(ERD/ERS)现象和T检验结果验证了该方法的优越性。(2)选取竞赛数据中的左右手运动想象两任务数据,针对运动想象数据特征提取算法中出现的无法准确描述非平稳信号、计算困难等一系列的问题,本文提出一种将经验模态分解(Empirical Mode Decomposition,EMD)和自适应AR模型(AAR)模型相结合。将脑电信号进行经验模态分解得到多个固有模态函数(Intrinsic Mode Functions,IMFs),对分量进行频谱分析,选取在运动节律特征较为明显的分量利用AAR模型参数构造特征向量。基于线性判别分析(Linear Discriminant Analysis,LDA)进行任务识别,实验结果表明两位实验个体的最高分类正确率分别达到了 84.34%和85.71%,高于利用AAR模型参数作为特征时的数据分类正确率,互信息和Kappa值也表明了 EMD+AAR方法具有更好的分类效果,为在线BCI系统提供了理论基础。