脑机接口(BCI)是一种不依赖大脑的常规输出通路、直接通过意识向外界发送信息和命令的通讯系统。当前脑机接口研究的核心目的是帮助瘫痪病人恢复交流与控制能力。目前世界各地的脑机接口仍处于实验室研究阶段，离临床和生活应用还有很远的距离。在把脑机接口从实验室环境推向现实应用环境的过程中，存在着一系列关键的技术难题。其中之一是如何对脑电信号时域、频域、空域信息进行综合利用的问题，另一个更受关注的难题是分类器对人脑状态非平稳性的无监督自适应问题。　　 本文主要针对这两个技术难题、特别是后者进行研究。　　 针对第一个问题，提出一种频域加权方法(FWM)，基于线性判别分析原理计算出频域权值，对脑电信号(EEG)的频域信息进行自动优化。该方法与共空域模式(CSP)方法相结合，综合考虑了空间与频域信息，可进一步提高特征的信噪比。该方法被应用于多个BCI数据集，计算结果表明，FWM方法与CSP方法结合之后，分类正确率比单纯采用CSP方法有了明显的提高。　　 针对第二个问题，为了对线性判别分析(LDA)分类器进行无监督自动更新，改进了原有的高斯混合模型(GMM)方法，通过对模型参数的初始值进行更新，提高了算法对数据变化的跟踪能力。还首次将模糊C平均(FCM)方法应用于脑机接口分类器的无监督自适应，同时也对FCM方法的模型参数初始值进行更新，提高了算法的适应能力和稳健性。这两种方法以及现有的几种参考算法被应用于大批仿真数据和真实数据，计算结果表明FCM方法的分类错误率明显低于其它无监督方法，可与有监督自适应方法相媲美。而改进的GMM方法(iGMM)也比原来的GMM方法错误率较低。　　 本文不仅改进或引入了两种无监督自适应方法，同时还首次系统地对脑机接口分类器的无监督自适应问题做了研究。为了全面地考察各种方法的性能、以及影响其性能的内外因素，构造了几个典型的算例，通过人为控制数据特性的方式来考察并分析各种方法在不同场合下的表现。分析结果表明，FCM方法在可行性、柔性、稳健性、简易性等方面整体优于其它几种方法。最后，根据分析得到的结论，对iGMM和FCM方法做了进一步简化，并应用于真实数据进行验证，计算结果表明iGMM得到了较明显提高，而FCM在性能基本不变的情况下计算量减小。这与之前的分析结论相符，从而也印证了前面分析的有效性。