در این پایان نامه هدف، بهبود دقت طبقه بندی مرکب در تحلیل سیگنال های مغزی است. تحلیل سیگنال مغزی در زمینه های مختلفی ازجمله واسط مغز رایانه، علوم شناختی و تشخیص بیماری ها نقش مهمی را ایفا می کند. ازآنجاکه طبقه بندی سیگنال های مغزی جز مسائل پیچیده طبقه بندی به شمار می رود از طبقه بندهای مرکب برای دسته بندی این سیگنال ها استفاده می شود. اختلاط خبره ها یکی از روش های ترکیب طبقه بندهاست که در تحلیل سیگنال مغزی استفاده می شود. یکی از نکات مهم در استفاده از طبقه بندهای مرکب ایجاد گوناگونی در طبقه بندهای پایه به کاربرده شده است. در این پروژه ابتدا با شکستن فضای مسئله و سپس با استفاده از الگوریتم فرا ابتکاری ژنتیک چندهدفه در هر یک از زیر فضاهای ایجادشده، ویژگی های مناسب برای طبقه بندی انتخاب می شوند. در حین انتخاب ویژگی ها، پارامترهای طبقه بندهای منفرد نیز بهینه می شوند. در مرحله ترکیب خبره های آموزش دیده شده، از یک شبکه میانجی استفاده می شود که در حین فرآیند آموزش خبره ها، نحوه ی شکستن فضای مسئله بین آن ها را فرا گرفته است. روش پیشنهادی بر روی داده های پرکاربرد فضایی و مدلون آزمایش شده است. همچنین از داده های سیگنال مغزی مربوط به مسابقات برای ارزیابی روش پیشنهادی استفاده شده است. با توجه به نتایج به دست آمده، روش پیشنهادی در این تحقیق هم از نظر کارایی و هم از نظر سرعت در مرحله آزمایش از سایر روش های ترکیب نظیر اختلاط خبره ها، تعمیم پشته ای و غیره برتری دارد.