运动想象脑电信号是由大脑进行想象运动时激发的信号。基于运动想象脑电信号控制的脑机接口（Brain Computer Interface,BCI）系统可以直接将大脑想象的运动意图解码为控制指令,完成对外部设备的控制。作为一种新型人机交互技术,BCI系统可以应用于多种场景,但是实际应用中基于运动想象脑电信号的BCI系统存在着:运动想象脑电信号种类少、多分类任务的识别准确率低和实时传输速率慢等问题。为实现对探测机器人方位移动和检测的功能控制,本文提出了一种基于信号转差分模块与卷积模块结合的分类算法,通过数据集仿真和实验验证,从两个方面与基于传统时频域和空间域的分类方法进行了对比分析,证明了前者的有效性。主要研究内容如下:首先研究了关于运动想象脑电信号的特征提取算法。采用小波包分解和共空间模式方法实现了传统时频域和空间域的特征提取。利用小波包将预处理后的脑电信号分解为八个子频带,以提高共空间模式算法对特征的提取能力。然后使用共空间模式对子频带进行特征提取。最后使用第四届BCI竞赛的四分类数据集对比分析了该方法的特征提取能力,指出其不足之处。其次针对脑电信号多分类的精度提升问题,提出了一种基于信号转差分模块与卷积模块结合的分类算法。利用信号转差分模块对原始脑电信号进行多阶差分运算,得到其波动特征的差分表示;然后利用卷积模块以动态学习的方式将差分脑电信号转换为图片,再通过预训练的卷积神经网络来提取信号特征。最后在五分类数据集上进行验证。结果表明,本文提出的方法在两分类问题上达到了99.8%的分类准确率;在三分类问题上获得了92.8%的准确率;在五分类问题上取得了86.7%的准确率。其总体分类准确率比现有方法最高提升了8.1%。最后,设计了在线脑控测控机器人作业BCI实验对本文提出的基于信号转差分模块与卷积模块结合的分类算法的有效性进行实验验证。实验运用目标特征提取算法采集受试者想象左手、右手、脚部、舌头运动和闭眼产生的Alpha波来控制测控机器人左转、右转、前进、停止和打开摄像头等动作,测试其识别准确度。实验结果显示,受试者可以通过该BCI系统实现对测控机器人的控制,其中基于传统算法的平均识别率69.3%,基于本文提出的学习算法的平均识别率为81.9%,证明了该方法的有效性。本文的研究成果为在线运动想象BCI系统提供了一种新的控制方法,可进一步开发为运动障碍人士的外界通信设备或者如战场等特殊复杂场合的探测辅助设备。