运动行为的神经信号解码一直是脑-机接口研究的热点问题,可以帮助我们从神经信号解读动物的运动状态,深化对大脑特定功能和工作机制的理解,具有十分重要的理论与实际意义。检测的神经信号包含大量的噪声信息和冗余信息,从而对解码的准确性造成影响,因此在神经信号解码之前对信号进行特征提取尤为重要。针对这一问题,本文以鸽子弓状皮质尾外侧(nidopallium caudolaterale,NCL)脑区的局部场电位(local field potential,LFP)信号为对象,研究最佳的特征提取和解码问题。本文设计了十字迷宫目标导向实验,采集鸽子转向过程中NCL区LFP信号,通过小波变换提取携带转向运动信息的频带,继而对信号进行的相关性分析,发现各通道之间存在较大信息冗余,同时有些通道也包含大量噪声,会对解码的准确性造成影响。针对LFP信号噪声大、冗余度高、特征维数多的特点,将ReliefF算法与偏最小二乘(partial least squares,PLS)相结合的方法应用到神经信号的特征提取中。首先通过ReliefF特征选择方法去除干扰特征,对各个特征赋予相应的权重值,根据权重阈值选取合适的特征构成特征子集,接下来采用PLS方法提取与转向类别最大相关的主成分特征。对ReliefF-PLS提取的特征从降维效果、特征离散度、特征分类准确率三个方面进行实验测评,并与ReliefF和PLS进行比较。发现ReliefF-PLS算法大幅度降低特征维数,有效去除干扰与冗余信息,增大特征的离散度,提高特征的可分性。实验和分析验证了ReliefF-PLS算法的有效性。本文对ReliefF-PLS提取的LFP信号特征,采用线性判别分析、支持向量机、K最近邻三种常用分类算法进行解码。结果发现,K最近邻解码正确率和稳定性均要优于支持向量机与线性判别分析,具有较好的抗噪性,更适合基于ReliefF-PLS特征提取的神经信号解码。