脑机接口(BCI)系统的目标是在人与计算机之间建立一个不依赖于人体任何外围的神经系统或肌肉组织的一个信息交互渠道。一方面在临床护理中BCI系统有着重要的应用价值，对于脑瘫或者肌肉功能丧失的患者，脑机接口是患者向外界传递信息和进行沟通的重要方式；另一方面，脑机接口的是一种无肌肉运动的新型交互模式，在人机交互领域具有巨大的吸引力，被认为是未来人机交互的重要渠道之一。因此，BCI系统近些年来在多个领域被广泛研究。　　 本文所研究的EEG信号处理方法是脑机接口系统中的核心模块之一，也是我们研究的基于EEG信号的虚拟现实学习系统的重要组成。利用BCI和虚拟现实环境，我们不仅可以给学习者提供真实感和沉浸感强的模拟氛围，而且还可以对学习者的脑电信号进行检测和分析，反馈给系统以提高学习效果。本文的研究重点是该系统中信号处理分析模块，以此评价用户学习过程中的注意力水平。本文的主要贡献如下：　　 首先，本文对信号预处理的不同方法进行了讨论。对几个最常用的去噪方法包括滤波方法、伪迹减法和ICA方法的实验结果进行了分析和对比。　　 其次，本文针对5个不同的注意力等级设计了对应的实验，接着在若干受试者身上采集到了对应的EEG信号，然后我们研究了不同的特征和分类方法，对不同的注意力等级数据进行分类实验。针对包括时域和频域的三种特征（方差分析法、近似熵和功率谱方法）我们结合不同的分类方法（人工神经网络、支持向量机和Boosting方法）在不同的数据集上进行了测试与比较。通过对特征和分类器在表现、性能和推广性方面的特点，对不同特征和不同分类器的优缺点进行了讨论。　　 最后，本文详细分析了目前机器学习中的流行方法--Boosting方法，并通过实验对Boosting方法的特征选择优势以及与样本集之间的关系进行了讨论，提出了使用Boosting方法提高分类正确率的思路。