ارتباط مستقیم مغز با دنیای اطراف، یا واسط مغز کامپیوتر (bci) از جمله مباحثی است که مورد توجه بسیاری از گروه های پژوهشی می باشد. برای این منظور اگر سیستمی بتواند سیگنال های ثبت شده از تعدادی فعالیت ذهنی را از هم تفکیک کند، آن فعالیت ها یک الفبای ساده را تشکیل می دهند که فرد می تواند با انجام ترکیب های مختلفی از آن ها، با دنیای اطراف ارتباط برقرار کند. تاکنون سیستم های bci متعددی برای کاربردهای مختلف طراحی و ساخته شده اند. هدف از این پایان نامه، پردازش سیگنال الکتروانسفالوگرام ثبت شده در هنگام تمرکز بر روی حرکت های مختلف به منظور استفاده در واسط های انسان-ماشین می باشد. الگوهای فضایی مشترک(csp) یکی از رایج ترین الگوریتم های استخراج ویژگی برای سیستم های bci می باشد که با وجود کاربرد گسترده و عملکرد مناسب در طبقه بندی سیگنال های الکتروانسفالوگرام، به خاطر حساسیت بالا به نویز و فرابرازش (overfitting)، دقت طبقه بندی آن در بسیاری از موارد به میزان قابل توجهی کاهش می یابد. برای برطرف کردن این مشکلات، csp را به روش های مختلف تنظیم کرده اند و این الگوریتم ها را الگوهای فضایی مشترک تنظیم شده (rcsp) نامیده اند. الگوریتم های (r)csp ذاتا دوکلاسی هستند، در حالی که در کاربردهای bci معمولا با مسائل چندکلاسی مواجه هستیم و بنابراین تعمیم به حالت چندکلاسی موضوعی بسیار مهم در این حوزه محسوب می شود. در این پایان نامه، با به کارگیری سه روش مختلف، ویژگی های (r)csp را به منظور طبقه بندی چندکلاسی با هم ترکیب می کنیم. این سه روش ترکیب (شامل روش های یک در مقابل یک، یک در مقابل همه و روشی سلسله مراتبی)، روی 5 الگوریتم (r)csp پیاده سازی شده و پایگاه دادگان مسابقات bci جهت ارزیابی عملکرد آن ها مورد استفاده قرار گرفته است. در پایان دقت طبقه بندی و زمان پردازش 15 روش مورد بررسی، برای این مجموعه داده ها تعیین و مقایسه گردیده است. بالاترین دقت به دست آمده در طبقه بندی چندکلاسی، مربوط به روش csp تنظیم شده به روش تیخونوف- یک در مقابل یک (trcsp-ovo) و برابر با 26/66 درصد بود.