Imagética motora é uma atividade mental na qual o sujeito imagina realizar determinado movimento motor, sem executá-lo fisicamente. É uma prática utilizada para controle de próteses mecânica, cadeiras de rodas e na reabilitação de pacientes com lesões neurológicas, técnica que tem apresentado bons resultados referentes a plasticidade neural e aprendizado motor na reabilitação em engenharia biomédica. No entanto, para que seja possível o desenvolvimento de dispositivos controlados pela atividade cerebral, é necessário o estabelecimento de métodos otimizados para coleta e processamento dos dados biológicos, sendo este o objetivo principal do presente trabalho. Por meio do eletroencefalograma (EEG) são adquiridos os sinais neurais, para uso no controle de um dispositivo externo, sem uma requisição da ação muscular. Os sinais de EEG são então submetidos a um processo de aprendizado de máquina, onde se busca avaliar classificadores, após o tratamento do sinal. O tratamento dos dados (pré-processamento, extração de atributos e redução da dimensionalidade) facilita o processo de reconhecimento de padrões dos sinais relacionados à imaginação motora. Neste trabalho foram realizadas classificações de sinais de imagética motora de forma off-line e online. Foram analisados sinais de uma base de dados disponível e foram coletados sinais de EEG obtidos em experimentos com 4 voluntários. Os dados coletados foram utilizados para mover um avatar com 4 comandos, utilizando da imagética de movimentos de membros superiores e inferiores (imagética de mão esquerda, imagética de mão direita, imagética de pés e parado (sem imagética ou movimento)). Foram avaliados os desempenhos de algumas técnicas para tratar o sinal (dessincronização relacionada ao evento, análise no domínio do tempo, análise do domínio do tempo e frequência e filtragem espacial) e o uso de alguns classificadores (k vizinhos mais próximos, máquina de vetores de suporte, árvore de decisão, perceptron de múltiplas camadas, análise de discriminante lineares e ensemble). Os métodos implementados online foram capazes de classificar as 4 classes com acurácia de 80% em um dos sujeitos, porém com média de 60,75% para a amostra estudada. Não houve destaque entre os métodos implementados para interface cérebro-máquina (ICM) proposta, como sendo o mais adequado para todos os sujeitos. Dessa forma, foi preferível utilizar um método particular que atingiu os melhores índices para cada sujeito. A quantidade de dados para o treinamento influenciou na capacidade de generalização dos sinais. Utilizando 6 coletas (60 exemplos de cada classe com duração de 5s cada exemplo) na fase de treinamento foi possível obter sucesso na ativação do avatar, em parte da amostra, pois a prática mental de alguns sujeitos influenciou em seu desempenho. Essa prática pode ser aperfeiçoada com neurofeedback, que é uma ferramenta comumente utilizada em ICM.FACEPEMotor imagery is a mental activity in which the subject imagines to perform certain motor movement, without physically performing it. It is a practice used for the control of mechanical prostheses, wheelchairs and the rehabilitation of patients with neurological injuries, a technique that has a good production of products related to neural plasticity and motor learning in rehabilitation in biomedical engineering. However, for the development of devices controlled by brain activity, it is necessary to establish optimized methods for collecting and processing biological data, which is the main objective of this work. Through electroencephalogram (EEG) are known as neural, for uncontrolled use of an external device, without a requisition of muscle action. The EEG signals are then submitted to a machine learning process, where the aim is to evaluate classifiers after signal processing. Data processing (preprocessing, attribute extraction and dimensionality reduction) facilitates the process of recognizing patterns of signals related to motor imagery. In this work, several signs of motor imagination were performed both off-line and on-line. Signals from a database available and sent by EEG obtained in experiments with 4 volunteers were analyzed. The collected data were used to launch an avatar with 4 commands, using the imagery of upper and lower limb movements (left hand imagery, right hand imagery, feet imagery and nothing (without imagery or movement)). What is what is what is what is the subject, analyze the time domain, analyze the time domain and frequency and spatial filtering and the use of some classifiers (k-nearest neighbor, support vector machine, decision tree, multilayer perceptron, linear discriminant analysis and ensemble). The methods implemented online are able to classify as 4 classes with 80% capacity in one of the subjects, but with an average of 60.75% for a sample studied. It is not highlighted among the methods implemented for proposed Brain-machine interface (BCI), as being the most suitable for all the subjects. Thus, it was preferable to use a specific method for the best indexes for each subject. An amount of data for the training influenced the generalization capacity of the signals. Using 6 collections (60 examples of each class lasting 5s each example) in the training phase and successfully succeeding in activating the avatar in part of the sample, a mental practice of some subjects influenced their performance. This practice can be improved with neurofeedback, which is a commonly used tool in BCI.