脑-接口技术（Brain Computer Interface,BCI）是指从人的大脑建立一条与外部辅助设备联系的通路以达到利用外部辅助设备完成大脑想要完成的任务,近些年来被广泛的研究并应用在医疗康复等众多领域。BCI技术主要目标是帮助患者进行恢复训练,甚至替代某些严重损伤的肢体。但是BCI的发展并不能满足实际的需求,其存在背景噪声较大导致信噪比较低、信号采集比较困难、由被试间差异等影响导致分类结果比较低等问题,所以目前BCI技术更多的是在研究阶段,距真正应用在生活中还存在一定的距离。本文基于脑电信号的研究基础,设计并开展针对右下肢不便患者的运动想象脑电信号（Electroencephalogram,EEG）采集实验,其目的是通过对信号的分析实现对不同任务的识别,从而给外部设备输出相关控制指令。主要工作内容如下:（1）基于对BCI系统前期的分析研究,本文基于Unity与Kinect技术设计并搭建了虚拟现实的实验平台,并将其分为训练实验部分和采集实验部分。阐述了运动想象脑电信号的产生机理、特点以及按照幅值大小进行了分类。（2）EEG信号特性分析。首先对采集的EEG信号进行预处理,并利用带通滤波以及独立成分分析（Independent Component Analysis,ICA）等方法去除噪声得到较为干净的信号。其次选择三通道数据,并分析脑电信号的时频特性确定选择三通道数据存在事件相关去同步（Event-Related Desynchronization,ERD）现象从而证实了选择数据的可分析性。同时由于不同被试之间存在生理差异,所以选择不同患者的最佳时频段作为后期的研究数据。最后利用公共空间模式（Common Spatial Pattern,CSP）的方法提取脑电信号的特征并分析特征值的可分性。（3）针对脑电信号分类效果不佳的现状,本文选择了PSO-SVM方法和改进的卷积神经网络（Convolutional Neural Network,CNN）方法对脑电信号进行分类。首先利用支持向量机（Support Vector Machine,SVM）方法对CSP提取的特征进行分类识别,同时利用粒子群优化算法（Particle Swarm Optimization,PSO）寻找SVM最优参数。其次设计了十层的CNN模型,并引用批量归一化（Batch Normalization,BN）以消除运算过程出现的梯度消失问题,结果表明BN-CNN模型在收敛速度和分类效果方面有较好的提升,同时分析了Dropout参数对BN-CNN网络的影响。最后对本文选择的两种算法的实验结果进行分析,表明改进后的BN-CNN网络在识别结果上更优。