در این پایان نامه سعی بر آن بوده است تا عملکرد سیستم های فازی را در طبقه بندی چهار نوع تفکر حرکت در سیگنال eeg بررسی نماییم. با توجه به اینکه تفکرات، احساسات و حتی حالات روحی مختلف یک شخص به راحتی بر روی سیگنال مغزی او اثر می گذارد نیاز به طبقه بندی کننده ای که بتوان به کمک آن عدم قطعیت و ابهام در سیگنال مغزی را مدل کند دور از ذهن نخواهد بود. داده های مورد استفاده از چهارمین مسابقه جهانی bci انتخاب شده اند که سیگنال های مربوط به چهار تصور حرکت دست چپ، دست راست، هر دو پا و زبان است. در ادامه انواع روش های استخراج ویژگی بر روی این داده ها اعمال شد و توسط روش های pca ، ga و روش های آماری به کاهش بعد و انتخاب ویژگی پرداختیم. مشاهده شد که روش های آماری قابلیت بهتری در انتخاب ویژگی دارند چرا که این فرض وجود دارد اگر روش های آماری نتوانند قابلیت تفکیک پذیری خوبی بین دسته داده ها ایجاد کنند به احتمال زیاد طبقه بندی کننده مورد نظر نیز قادر به این کار نخواهد بود. همچنین ترکیبات خطی ایجاد شده توسط روش های آماری anova و manova قدرت تفکیک پذیری زیادی را بین ویژگی ها به وجود آورد. در نهایت از طبقه بندی کننده?های فازی نوع اول و فازی نوع دوم بازه ای جهت مقایسه و بدست آوردن میزان صحت استفاده شد. به دلیل حذف بیشتر نویز اندازه گیری در زمان ثبت داده ها و همچنین استفاده از محدوده فرکانسی مناسب بررسی داده های bci که در باند فرکانسی میو و بتا می باشد، عدم قطعیت مربوط به ثبت سیگنال از بین می رود. اما همچنان نوع دیگر عدم قطعیت که در استنتاج طبقه بندی کننده مدل می شود، وجود دارد. نتایج نشان داد که سیستم فازی نوع دوم بازه ای قابلیت بیشتری را برای مدل کردن این نوع عدم قطعیت از خود نشان می دهد و این امر در میزان صحت بدست آمده قابل مشاهده است. همچنین الگوریتم بهینه سازی ای پیشنهاد شد که با استفاده از چند الگوریتم بهینه ?سازی سراسری و با به کارگیری مزایا و حذف معایب آن ها به آموزش پارامترهای سیستم فازی بپردازد.