基于运动想象的脑机接口技术可以识别人脑的运动意图并转换为具体的控制命令,从而实现人脑对外部设备的直接控制。因为运动想象是一种自发型脑机接口,具有更高的自主性,因而应用前景广阔。当前,针对运动想象脑机接口系统的应用研究已经有很多,尤其是在中风康复领域。然而,当前的系统大多还采用同步模式。同步模式中,用户只能跟随系统节奏,在特定的时间窗口内通过运动想象控制设备,这极大的破坏了运动想象范式的自主性。更自然的方式应该是异步模式,在异步模式中,系统会不断检测用户是否想要控制设备,只有当检测到用户处于控制状态时,才会进一步根据控制状态的类型发出控制命令。异步模式具有很大的优越性,却也带来更大的挑战,因此还有很多问题有待解决。本文针对异步运动想象的特征提取及分类方法展开研究,具体工作如下:(1)为了解决非控制状态的复杂性带来的特征不稳定问题,本文通过特征选择和多特征融合方式对特征进行优化以提高状态识别准确率。首先,采用基于r~2系数的特征选择算法为每名被试选择了能够区分非控制状态与控制状态及两种不同控制状态的最佳特征。然后,采用特征拼接和集成学习两种方式对表征幅值信息的能量特征和表征相位信息的PLV特征进行融合,并通过集成学习方法将几种基本分类器组合成集成分类器进行分类。在对非控制状态及左右手运动想象分类的任务中,本文方法取得了76.54%的平均分类准确率,优于之前的研究。(2)为了进一步增强异步运动想象状态识别的稳定性和准确性,本文对多脑脑机接口技术开展了探索研究。设计了基于Hyperscanning技术的双人异步运动想象实验范式,利用合作型多脑脑机接口通过群体决策以及信号叠加增强等方式实现更稳定、准确的的状态识别。本文分别针对能量和PLV特征各自的特点设计了多种双人融合分类方案。结果表明,基于决策层融合的能量特征和三种基于特征层融合的PLV特征都能取得较好的分类结果,其中基于特征层融合的脑间PLV特征取得了83.78%的三分类平均准确率,优于单人模式的结果。(3)为了在常规特征中加入大脑状态信息从而提高特征的稳定性。研究了脑负荷指标在控制状态与非控制状态之间的差异,并将其加入到运动区能量及PLV特征中进行分类,取得了更优的分类结果。