脑机接口(BCI)是一种快速发展的新兴技术,其研究目的是建造一个人脑和计算机之间通信的直接通道。一个有效的BCI系统应该包括三个步骤:一是记录脑电(EEG)信号;二是从记录的脑电信号中提取认知任务相关的特征或信息;三是将提取的信息转换为一个控制命令。其中,特征提取是最为关键的一步。本文主要研究面向认知状态识别的EEG特征提取方法。首先,本文设计了一个包含11种认知任务的认知实验,采集了多名被试的脑电数据,本数据集认知状态种类丰富、数据分辨率高、数据量大,在国际上处于领先水平。其次,本文提出了一种基于时频能量的公共空间模式(CSP)特征提取方法,与传统的CSP方法相比,本文方法不但保留了时域方差特征,而且引入了频域能量特征,在5任务认知状态数据集上获得了较高的识别率。本文面向BCI应用中需要快速精准解析大脑认知状态的问题,提出了一种CSP与非负矩阵分解(NMF)相结合的脑电特征提取方法。针对脑电信号通道多、数据量大、冗余严重等问题,首先利用CSP算法将原始信号投影到多个类别的差别最大化公共空间,然后计算反应信号整体分布情况的时频能量作为整体特征。其次利用NMF算法强大的局部表征能力,提取EEG信号的局部特异性特征,以提升不同类别信号的区分度。再将整体特征与局部特征进行融合后,最后采用支持向量机(SVM)作为分类器,在BCI2005Ⅳa竞赛数据集上进行了测试实验,获得87.18%的识别准确率,优于传统的CSP及s CSP和KLCSP等改进方法。本文提出的方法为脑电信号的特征提取问题提供了一种新的理论框架。最后,本文以基于脑电信号的人类认知状态分类识别为背景,研究一种基于F-score的特征评价与选择的CSP构建方法。利用F-score计算代价小、可以快速从高维数据中选择出有效信息和特征的特性,实现对一种模式的重要程度做出定量表达;针对F-score阈值确定的难点问题,提出一种基于F-score积分演变趋势的阈值自动确定方法;面对大数据应用中信息冗余的问题,提出了一种基于最大相关最小冗余原则的F-score冗余信息剔除方法。针对传统CSP方法无法自适应实现的问题,提出了一种联合CSP与F-score共同选择重要模式的方法。本文提出的方法在脑认知活动解析实验中,针对静息、心算、信件腹稿、几何旋转、数字书写想象等五类认知状态取得了92%的识别准确率,在本文建立的多任务认知状态数据集中,获得了理想的效果。本文方法为脑电特征提取问题供了一个强有力的新工具。