脑电信号(Electroencephalogram，EEG)是脑神经细胞电生理活动在大脑皮层和头皮的总体反映，其中包含了大量生理与疾病信息。由于脑电信号与人的意识活动状态有相关性，通过对脑电信号的分类处理，可以识别不同的意识活动状态，从而形成一种不依赖于大脑外周神经与肌肉正常输出通道的通讯控制系统，即脑一机接口(Brain Computer Interface，BCI)。运动想象指只是想象肢体运动而没有实际的肢体动作，运动想象时产生的脑电信号具有事件相关同步(ERS)和去同步(ERD)特征，通过分析运动想象脑电信号，可以判断想象者的运动意图，从而实现对外部设备的控制，因此运动想象脑电信号成为BCI系统最常使用的一种特征信号。 本文主要分析和讨论运动想象脑电信号的特征提取和分类算法，重点研究了基于小波分析的特征提取方法。分别采用时域局部阈值优化、离散小波变换(DWT)特定频带重构系数阈值优化、小波包重构系数能量特征、小波包子带系数均值和能量的优化组合特征作为分类器输入，对感兴趣时频带内的运动想象脑电信号进行分类；同时分析比较了基于能量差、Mahalanobis距离判别和支持向量机(SVM)的分类器性能。利用上述特征提取和分类算法对2003年BCI国际竞赛运动想象脑电数据进行分类，结果表明分类的最高正确率可以超过90％，其中基于小波包系数均值和能量的优化组合特征表现出良好的时频分辨能力和准确的区分效果，实验结果为后续在线BCI系统的设计和实现奠定了基础。