近年来,伴随着世界上人口老龄化速度的逐步加快、残疾人数量的持续攀升,迫使人类要加快研究大脑科学的步伐.人类渴望通过研究脑科学和其相近的领域去克服人类身体的先天缺陷和后天造成的不足.人类希望可以实现直接用大脑的思维活动信号和外界进行交流,甚至能够控制周围的环境.脑-机接口(BCI)是能够把这一梦想变为现实的科学的、有效的途径.人类希望通过深入地对脑-机接口这种新型的通信技术进行研究,进而能够实现人类控制器材、装备和其它系统,特别是为那些神经肌肉受到损伤,以及不能使用常规交流手段的残障人士提供了一种能够与外界环境沟通的途径.脑-机接口技术能够实现残疾人和行动存在困难的人与外界进行自由通信.脑-机接口系统是一种全新的人机接口方式,是近年来脑科学研究的热点课题.对于脑-机接口系统的研究,目前国际上主要有两种形式,一类是研究无创式的脑-机接口,另一种是研究有创式的脑-机接口.由于无创式脑-机接口对被试者没有伤害,所以应用范围广,而无创式脑-机接口中的基于脑电信号(EEG)的脑-机接口又因为其简单性和安全性备受国内外研究者的关注.脑电信号的分类问题是脑-机接口系统的一个至关重要的过程,其分类的准确率直接影响着脑-机接口系统的性能.目前常用的分类方法是贝叶斯(Bayes)线性分类器,其擅长二分类问题,但在处理多类别脑电数据分类时效果不是很理想,算法执行速度慢.为了避免出现这样的问题,本文在前人研究成果的基础上,提出了使用混合高斯模型(GMM),它能够有效的处理多类别数据聚类问题,在对多类别脑电数据聚类时,混合高斯模型假设每个高斯模型与一个类别相对应.本文首先选用主成分分析(PCA)方法对脑电数据进行特征提取,把提取的主成分作为混合高斯模型聚类的特征对象；之后本文使用期望最大化(EM)算法对混合高斯模型的参数进行估计；在模型聚类的准确率方面,本文引入了匈牙利算法,使脑电数据能够找到与之最优匹配的高斯模型(类).文章最后分别给出了混合高斯模型和Bayes的分类结果,基于混合高斯模型(GMM)聚类的准确率平均值达87.288%,而Bayes线性分类器的分类准确率的平均值为74.501%,结果表明,带匈牙利算法的混合高斯模型有效的提高了脑电信号聚类的准确率,适合对多类别脑电信号聚类.