脑电信号（EEG,Electroencephalography）具有易于采集、获取成本低、时间分辨率高等优点,是一种可以测量不同大脑状态的非侵入性脑成像手段。然而,脑电信号记录的脑电活动经常会受到伪迹信号的污染。所以自动移除EEG伪迹的算法对于临床诊断和脑-机接口应用具有非常重要的意义。本文主要研究内容如下:（1）眼电信号（EOG,Electrooculogram）是脑机接口（BCI,Brain-computer interface）应用中常见的主要伪迹之一。分析脑电信号时,如果可以在自动去除EOG伪迹的同时保留更多神经数据,将有利于进一步对脑信号进行特征提取和分类工作。为了在自动去除EOG伪迹的同时保留原始EEG中更多有用的信息,本文提出了一种新的基于盲源分离的伪迹去除方法CCA-CEEMDAN（典范相关分析,基于自适应噪声的完备经验模态分解）。CCA-CEEMDAN的主要步骤如下:首先,利用CCA将多通道原始EEG信号分离成若干不相关的分量。然后,可以根据峰度阈值自动识别EOG分量。接下来,通过CEEMDAN将识别出的EOG分量分解成几个本征模态分量（IMF）。通过计算频谱能量熵的最大值识别出含眼电伪迹的IMF分量,并进行带通滤波去除伪迹。最后,对干净的脑电信号进行重构。本文的创新之处在于,识别出的EOG分量不是直接去除的,而是用于提取有用的EEG数据,这样可以保留更有效的信息。该方法既能自动去除EOG伪迹,又能最大限度地保证EEG数据的完整性。（2）近年来,研究人员将独立分量分析（ICA）和离散小波变换相结合作为去除脑电伪迹的一种标准化技术。然而,在执行小波-ICA算法时,可能需要视觉检查或设置阈值来识别EEG信号中的伪迹成分。为了解决这个问题,本文提出了一种有监督学习的伪迹去除方法,利用预先训练好的具有联合学习特性的支持向量机（F-SVM）来识别由小波-ICA分离的伪迹分量。该方法提供了一个健壮和可扩展的系统,可以完全自动地识别和去除EEG信号中的伪迹,而不需要手动设置阈值。使用被眨眼伪迹污染的测试数据,验证了本文提出的方法比现有的阈值方法在识别伪迹成分上表现得更好。此外,小波-ICA与F-SVM相结合,在很大程度上保留了感兴趣的脑电信号,同时成功地去除了眨眼伪迹。本文提出了一种将F-SVM和小波ICA相结合的方法来识别并去除脑电信号中的眨眼伪迹。该组合方法还可扩展以适应多通道EEG中存在的多种类型的伪迹。未来可以探索与其他类型的伪迹分量相对应的其他描述性特征。