脑机接口(BrainComputerInterface，BCI)的目标是利用大脑产生的信号建立一种把使用者的意图转变为外部设备控制信号的全新交流通道。脑机接口一般由信号的获取、特征提取和模式识别等部分组成。实际的脑机接口中，正确率和信息传输速率是衡量系统性能的两个主要指标。信息传输速率影响脑机接口实时通信的能力，如计算机的控制与应用，然而，现在脑机接口的发展受到系统低的信息传送速率和较差的分类结果影响而不能真正的应用于临床。解决系统传输速率问题的一个可行的方案是使原本的两类模式BCI转变为多任务模式，但是当模式增多时，信号处理和机器学习的困难变得显著，新的模式可能影响到原本的模式使得分类的正确率下降。因此，BCI的发展只有结合信号处理和机器学习的先进方法，并联合相关的神经生理学知识才能取得进步。 本工作主要是联合信号处理和机器学习的方法，本文中，我们首先使用两种概率分类方法：支持向量机(supportvectormachine，SVM)后验概率模型和贝叶斯线性判决分析(Bayesianlineardiscriminantanalysis，BLDA)来获得分类的概率投票结果。其次，基于获得的后验概率和概率，我们提出了两种提高系统分类性能的方法：基于SVM后验概率的训练样本扩充和基于贝叶斯线性判决分析的训练样本扩充，其原理是利用大概率的测试样本数据来扩充原本的训练集合使分类器重新学习。我们把这些分类方法在两个4类运动想象数据集合上进行测试，应用共空间模式的多类扩展方法进行特征提取，然后分别用上面的方法得到概率分类的结果和扩充样本后重新学习分类的结果。文中还比较了两种常用的多分类方法：一对多SVM和Mahalanobis距离分类器，同时在特征联合和模式分类中我们还考虑了信号的时-频-空域的联合分类和分类器联合方法。测试结果表明：(1)概率信息能提高BCI的分类性能；(2)基于概率信息的样本扩充方法能使得分类器进行重新的学习，得到更稳定的分类结果，故能减小训练的过程和增加机器学习的自适应性；(3)特征的联合与分类器联合在BCI的分类中有一定的优势，是未来发展的方向。