Una interface cerebro computadora es un sistema que permite el control de dispositivos electrónicos mediante el análisis de los patrones presentes en las señales cerebrales. Esta puede ser de gran ayuda a personas con discapacidades motoras. En el trabajo reportado en esta tesis se presentan dos algoritmos de extracción de características para la actividad de imaginación motora. El primer algoritmo está basado en la transformada Hilbert, la cual permite establecer una representación tiempo frecuencia, que permite visualizar el fenómeno ERD/ERS presente en la señal y que, a diferencia de algunos autores, no se realiza ningún tipo de transformación adicional a la información extraída. Esta representación permite identificar la frecuencia reactiva por sujeto y seleccionar la banda de frecuencias adecuada para poder generar un vector de características. El segundo es un algoritmo de extracción de características basado en wavelets. Se descompone la señal en tres niveles utilizando tres diferentes wavelets, cada una con tres diferentes momentos de desvanecimiento diferentes. Luego se seleccionan las correspondientes bandas de frecuencias y el vector de características es construido con tres diferentes características estadísticas extraídas de los niveles seleccionados. La clasificación de los patrones extraídos se hace por los métodos de: discriminantes lineales por Fisher (FLDA), discriminantes cuadráticos (QDA) y una máquina de soporte vectorial (SVM). El desempeño del algoritmo es evaluado por una validación cruzada por diez sobre tres bases de datos descargados de la página del BCI Competition y una base de datos obtenida mediante un experimento propio. En total los algoritmos se probaron sobre nueve sujetos diferentes. En general los resultados son favorables de acuerdo a los métodos propuestos. Se plantea una extracción de características basada en la transformada Hilbert, la cual es sencilla y rápida para su aplicación on-line y no depende de transformaciones adicionales. Para el método basado en wavelet se demuestra que al usar tres características estadísticas se obtiene más información de la señal que a su vez mejora los resultados, obteniendo tasas de error de hasta 0.16 y 0.8 con cada método; siendo el análisis wavelet el de menor error, en comparación con el trabajo presentado por otros autores.