脑电（Electroencephalogram,EEG）和功能磁共振（functional Magnetic Resonance Imaging,f MRI）是目前两种最主要的神经成像工具。同步脑电-功能磁共振成像（EEG-f MRI）整合了EEG和f MRI在时空分辨率上的优势,已经在临床诊断中得到广泛的应用。虽然同步EEG-f MRI采集技术具有毫米级空间分辨率和毫秒级时间分辨率的优点,但也面临着一些技术上的挑战,受到强磁场的影响,同步采集的EEG信号中主要包含梯度伪迹（Gradient Artifact,GA）和心冲击伪迹（Ballistocardiogram Artifact,BCG）两种伪迹。其中梯度伪迹具有时移不变性,已有多种成熟算法用于抑制梯度伪迹。心冲击伪迹抑制是进行EEG-f MRI融合的基础,直接关系着后续信号的质量。BCG伪迹具有信噪比低、混合信号复杂的特点,难以采用常规滤波技术有效抑制。因此,BCG伪迹抑制是当前同步EEG-f MRI的脑电伪迹抑制中最具有挑战性的任务。为有效抑制同步EEG-f MRI采集EEG信号中的BCG伪迹,本论文研究了一种改进的J峰检测方法,并结合使用自适应梳状滤波器（Adaptive Comb Filter,ACF）抑制BCG伪迹。该方法首先采用主成分分析获得参考的BCG伪迹信号;然后采用自适应阈值检测方法对心电信号（Electrocardiogram,ECG）中的R峰进行检测,并对ECG信号与参考BCG伪迹信号作相关性分析,确定ECG信号与各个通道的BCG伪迹的平均时延;接着依据R峰以及平均时延对ECG和参考BCG伪迹分段,以初步估计BCG伪迹的J峰位置;最后利用RR间期与JJ间期比较分析对初步估计的J峰位置进行校正,得到J峰位置的精确估计。采用精确估计的J峰位置来自适应调节自适应梳状滤波器的参数,对原始EEG信号进行自适应梳状滤波得到BCG伪迹并将其抑制,最终得到较为清晰的EEG信号。对两组临床数据进行实验,采用可视化以及客观指标归一化功率谱比值、峰峰值比、综合比率来评价BCG伪迹抑制方法的性能,实验结果表明本论文提出的结合改进J峰检测算法的基于ACF的BCG伪迹抑制方法是有效的,且性能优于传统的BCG伪迹抑制方法。本论文研究基于非线性估计的BCG伪迹抑制方法。将深度学习引入BCG伪迹抑制,研究基于深度前馈神经网络（Deep Feedforward Network,DFN）的BCG伪迹抑制方法和基于一维卷积神经网络（One Dimensional Convolutional Neural Networks,1-D CNN）的BCG伪迹抑制方法,其核心思想是通过深度神经网络来估计从ECG信号到BCG伪迹之间的非线性映射关系,进而利用ECG信号估计得到BCG伪迹并将其从原始EEG信号中抑制,得到较为清晰的EEG信号。实验结果表明基于DFN和基于1-D CNN的BCG伪迹抑制方法均可以有效抑制EEG信号中的BCG伪迹,且与传统的BCG伪迹抑制方法相比,无论在主观评价还是客观指标上,本论文提出的基于DFN和基于1-D CNN的BCG伪迹抑制方法均表现出更优的性能。