目的 基于脑电的运动想象在脑机接口中具有良好的应用前景，本文主要针对运动想象的脑电分类问题，在以往微状态研究的基础上，通过引入LZC、模糊熵、近似熵对微状态序列特征进行计算，判断微状态的序列特征是否可以作为运动想象脑电的神经标志，以及对运动想象分类的影响。方法 采用改进的k-means方法对脑电地形图进行聚类，对脑电地形图聚类结果进行返拟，计算脑电微状态地形图参数(持续时间、出现频率、覆盖范围),同时计算脑电地形图的微状态序列特征，包括：Lempel-Ziv复杂度、近似熵和模糊熵，通过统计分析，比较不同任务间的脑电特征差异，进而通过基于高斯内核的支持向量机进行分类。结果 不同状态下的脑电信号均获得4个典型的脑电微状态地形图，特征间有显著性差异(P<0.05),且与静息态相比，任务态的微状态D出现频率、覆盖范围较低，任务态的近似熵也较低。通过微状态参数和微状态序列特征融合的分类SVM模型中，对于多种任务两两分类的准确率为90%～98.33%,均高于微状态参数和微状态序列特征的分类准确率。结论 将脑电微状态参数和微状态序列特征相融合可以提高脑电分类的准确率以及对于多种任务的分类的泛化能力，且不同状态的脑电微状态序列特征存在显著性差异，故认为脑电微状态序列特征可作为判断运动想象脑电的有效神经生理标志。