脑机接口(Brain-Computer Interface,BCI)是一种不依赖于外周神经与肌肉等正常输出通路,直接通过脑电(Electroencephalogram,EEG)信号与外界通讯的技术。该技术现已广泛应用于众多领域,通过解决BCI关键技术问题还将促进相关科学领域的发展与交叉,进而激发新思路、探索新手段及开拓新方向,具有科学与应用的双重价值。本文以BCI系统的实用化为目标,提出一套基于稳态视觉诱发电位(Steady-State Visual Evoked Potential,SSVEP)的脑电信号与眼电(Electrooculogram,EOG)信号混合的BCI无人机控制系统。首先,对SSVEP刺激范式、眨眼状态检测器及脑机接口控制无人机系统的实验过程进行设计,并通过离线实验验证其可行性。其次,研究SSVEP脑电信号的处理方法。先采用小波去噪对EEG信号进行预处理,得到信噪比较高的脑电信号;然后在传统的功率谱密度分析(PSDA)及典型相关分析(CCA)算法的基础上提出一种改进算法-基于功率谱密度和个体信号模板的典型相关分析(Hybrid-PSDA-ISTCCA),该算法在结合PSDA与CCA算法的同时引入了个体信号模板,有效提高了系统平均分类准确率;最后引入了眨眼状态检测与空闲状态检测算法,提高了系统的实用性。经离线分析结果可知,该BCI系统有效提高了平均分类准确率及信息传输率(ITR),为提升BCI控制无人机系统的性能提供了保证。再次,为验证脑控无人机的可行性,提出并设计了一套针对BCI的无人机系统,包括硬件设计与软件设计两部分。硬件部分主要包括微处理器模块、姿态检测模块、电源管理模块、无线通讯模块、高度测量模块及水平定点模块的设计;软件部分则根据EEG信号的特点对无人机的控制算法及控制指令进行了优化设计,通过传感器数据融合实现无人机稳定飞行,基于以上软硬件结构搭建了无人机实物平台。最后,基于上述改进算法和无人机平台,设计了一种基于SSVEP的便携式脑控无人机系统,分别使用EEG信号控制虚拟机器人TAIGo和EEG信号控制无人机两个实验对系统的性能进行评估。实验选取6名健康受试者进行在线控制测试并进行数据分析。实验结果表明基于Hybrid-PSDA-ISTCCA算法的分类准确率均达到90%以上,平均信息传输速率达到44bit/min左右,实验结果验证了本系统的实用性与可靠性。