21世纪被科学界认为是生物科学与脑科学的时代,在全球性脑研究计划的推动下,我国提出了“脑科学与类脑研究”的战略部署。其中,运动想象在脑机接口领域备受关注与研究,其在医工结合、智能控制等领域有着重要的发展价值。由于脑电信号属于微伏级的生物电信号,易受环境干扰,这就导致从中提取出有效信息十分困难。目前,很多算法成功应用于脑电信号的去噪与分类识别,如利用小波变换或独立成分分析等算法去除噪声;利用经验模态分解或共空间模式等算法提取脑电特征。但是,这些传统方法都存在着去噪效果不理想、识别准确率较低的问题,为此,本文以运动想象脑电信号为研究对象,围绕脑电信号去噪效果不理想,分类识别准确率低以及采集系统成本高等问题,开展对脑电信号去噪与分类算法的研究以及信号采集系统的设计,以提高脑电信号采集系统的去噪与分类识别能力。论文主要工作如下:（1）脑电信号去噪算法研究针对传统脑电去噪方法易将信号中高频部分所含的有用信息作为噪声滤除导致降噪后的脑电信号失真的问题,提出了一种基于余弦相似的互补总体经验模态分解（CEEMD）脑电信号去噪方法。首先通过CEEMD方法把脑电信号分解成尺度不同的多个本征模态函数（IMF）,用余弦相似法计算各个IMF与原始信号的相似度,选择相似度曲线中第一个极小值后的IMF分量作为信号主导模态和噪声主导模态的分界点;然后用小波包变换对噪声主导模态提取有用信息;最后与其余的IMF重构得到降噪信号。实验结果表明,本文算法能够有效保留高频模态中的有用信息,且在不同噪声强度下的去噪性能均优于传统算法。（2）脑电信号分类算法研究论文提出两种有效的脑电信号分类算法。a)针对脑电信号采用单一特征识别存在自适应性差,识别率低等问题,提出了一种基于双树复小波（DTCWT）的多特征融合的脑电特征提取方法。首先,通过DTCWT变换提取最佳时频段,然后对所提取的信号频段进行希尔伯特变换与Lempel-Ziv复杂度计算,从而得到时频域-非线性特征,最后采用线性判别分析（LDA）进行分类,实验结果表明,该方法能够对脑电信号有效地进行分类,准确率明显提高,最高可达89.84%。b)针对机器学习手动提取特征无法完全获取有效信息导致识别率较低的问题,利用深度学习能够自动提取特征的能力,提出了一种基于卷积神经网络的多网络结构融合的分类识别方法。通过设计不同数量的卷积-池化块,构成3个不同深度的卷积网络结构,并将这3个卷积网络结构并行融合组成特征提取器,最后连接分类器组成多网络结构融合网络模型。实验表明,该方法能够对脑电信号有效地进行分类,识别准确率达93.3%。（3）脑电信号采集系统的设计与实现设计了一款基于ADS1299的脑电信号采集系统,采用ADS1299模拟前端实现脑电信号的放大与模数转换,通过SPI通讯将数据传送到STM32主控芯片,然后STM32通过蓝牙将数据传送至上位机从而实时显示脑电信号并保存数据以待二次开发。最后对该系统进行了功能测试,测试结果表明,该系统达到了设计要求,能够采集脑电数据并进行实时显示。综上所述,本文完成了一种基于ADS1299的便携式无线脑电采集系统的设计,并重点研究了脑电信号的去噪与分类算法。系统样机已在课题实验室进行测试,功耗、无线传输距离等重要指标基本达到预期设计要求,对BCI应用研究具有一定的参考价值。