脑机接口（Brain Computer Interface，BCI）是一种不依赖于外部神经和肌肉，直接将脑电信号（Electroencephalogram,EEG）转化为控制指令控制外部设备运行的通讯系统。世界上由于各种事故导致身体失去运动能力的人很多，大多数残疾人活动空间有限，通常只能在病床和轮椅上活动。BCI 的诞生为他们实现与外部的交流提供了可替代手段。此外，BCI在军事、脑科学等领域应用广泛，近些年来已成为人工智能的热点。具有广阔的市场范围和极大的社会价值。　　目前国内外脑机接口主流研究方向有稳态视觉诱发电位、P300电位、慢皮层电位、运动想象等方式，其中前三种是通过外界刺激产生脑电信号，诸如视觉刺激、体感刺激等诱发电脑产生一定规律的信号，然后对诱发信号进行处理和分类。运动想象则是人体自发产生有关动作意向的信号，具有实际意义，其中奥地利 Graz 科技大学的研究团队是这一领域的先驱。时至今日，基于运动想想模式的BCI系统已应用到生活中，诸如脑控赛车、脑控游戏等，本文研究方向即为运动想象模式。　　本文围绕课题研究基于运动想象模式下的脑机接口系统，分析四种运动想象任务的脑电信号分类情况，课题研究主要在 EEG 信号采集、特征值提取、模式分类等方面开展工作。首先，以2008年BCI竞赛信号采集方式为本次实验范式，利用Emotive Epoc＋采集EEG信号并对EEG信号进行滤波处理，然后利用主成分分析提取EEG信号特征值，基于标准BP算法的不足和局限性，分别采用改进算法Levenberg–Marquardt（LM）方法、自适应lr梯度法、有动量梯度下降法三种方法对所提取信号特征值进行分类比较。最后设计算法验证方案，基于MATLAB GUI平台设计交互界面、编写回调函数，通过蓝牙串口与Arduino智能车链接验证算法的可行性。　　针对信号分类：采用自适应lr梯度法和动量梯度下降法对EEG信号进行分类的平均误差为0.0207和0.0328，分类准确率分别为 52%、49%。而 LM 算法的平均误差为5.6306×10-7，分类准确率为 86%。实验结果表明 LM 算法的分类效果最好，所设计串口通信界面与Arduino小车通信效果良好，为进一步研究在线脑机接口系统奠定了基础。