目的　为了准确地分离并去除脑电(electroencephalogram,EEG)信号中的尖峰状眼电(electrooculogram,EOG)伪迹,本文提出一种基于核独立分量分析(kernel　independent　component　analysis,KICA)和掩膜最小弧长经验模态分解(masking-aided　minimum　arclength　empirical　mode　decomposition,MAMA-EMD)的眼电伪迹去除方法,即KICMME.方法　首先,使用KICA将多通道受污染的EEG信号分离为多个独立分量(independent　components,ICs);然后,计算每个IC的峰度值,确定与EOG相关的IC,并利用MAMA-EMD算法对其进一步分解,得到一组固有模态函数(intrinsic　mode　function,IMF);进而,通过计算各IMF的低频功率占比,识别并剔除与EOG相关性高的IMF;最后,基于MAMA-EMD和KICA的逆变换重构出＂纯净＂EEG信号.结果　在半模拟和真实脑电两个数据集上进行实验研究,KICMME取得的均方误差和信噪比分别为0.82和12.51　dB,获得的分类准确率和Kappa值分别为91％和0.82.结论　MAMA-EMD能够准确地分离出与EOG相关的IMF分量,使得KICMME可以在保留有用神经信息的同时,最大限度地去除EEG信号中的EOG伪迹,相对现有基于盲源分离的眼电伪迹去除方法具有明显优势.