在人工智能领域,脑机接口技术（Brain-Computer Interface,BCI）逐渐成为备受关注的课题。BCI可以帮助患有运动神经元疾病的患者与外界交流。现有基于脑电的字符拼写主要有基于目标刺激发生后300ms的正电位（Positive,P300）的字符拼写与基于稳态视觉诱发电位的字符拼写,然而这些范式具有严重的眼动依赖,这种情况限制使得一些患有严重神经肌肉残疾的患者无法使用,现有的无眼动依赖的范式具有较低的拼写精度或信息传输速率。因此,想要提高P300的信息传输速率及在特殊人群中应用还有很多难点。本文主要解决两个问题,首先为解决无眼动依赖范式在较高字符拼写精度时具有较低的信息传输速率的问题,提出了基于行列编码的字符拼写范式,第二,现有的基于深度学习的字符拼写特征提取与分类算法大都缺乏表征被试心理状态及视觉认知过程的频域特征,且单个行列闪烁均给出是否为目标刺激的判定,导致单次拼写下有多个行列同时被判定为目标刺激,使得少次拼写下字符拼写识别精度不高的问题。针对上述问题本文提出了卷积神经网络与长短时记忆网络（Convolutional Neural Networks and Long Short Term Memory Network,CNN-LSTM）的复合模型以提取信号时空频多域特征及行列横向特征再提取,最后进行分类。主要工作如下:1)为了提升无眼动依赖字符拼写范式的拼写效率,本文提出了基于行列编码的字符拼写范式,并使用该范式对信号进行采集,在当前表现较好的多尺度卷积神经网络（multiscale convolutional neural network,Ms-CNN）字符拼写解码模型对其进行测试。在该实验范式中,刺激信号出现在屏幕的中央且尺寸较小,被试无需在屏幕范围内搜寻目标字符,即被试无需依赖眼动即可完成实验;其次,实验刺激对字符采用行列编码的方法,使得在快速序列视觉呈现范式中单次拼写只需呈现12个刺激编码即可映射到36个字符中,提升了刺激呈现效率。使用该实验范式在平均拼写准确率达到85以上时,信息传输速率达到10.60bit/min,在保证较高字符拼写精度的前提下本文提出的范式具有更高的信息传输速率。2)为了解决现有基于深度学习的算法中忽略了表征被试心理状态及视觉认知过程的频域信息导致少次重复拼写下准确率低的问题,本文提出了基于CNN-LSTM的字符拼写检测模型。首先构建了包含多节律信号的时域信号块,作为模型的输入送入三个卷积层分别提取信号的频域、空域、时域特征,最后经过全连接层完成特征学习。为了防止单次拼写中多个行列刺激同时被判定为目标刺激导致最终字符拼写准确率低的问题,长短时记忆网络模块对得到的频域、空域和时域特征进行再提取,使得每一次的字符拼写中仅有1个行和1个列刺激被判定为目标刺激。在基于行列编码的字符拼写范式及公共数据集中做了拼写预测并与现有结果作对比,其中在行列编码实验范式的字符拼写预测中,使用该算法可以在较少次重复实验下得到较高拼写精度,在BCI CompetitionⅢ的公共数据集中,被试A在重复实验14次时准确率达到94%,传输速率为8.52bit/min,被试B在重复实验8次时拼写准确率为96%,信息传输速率为14.68bit/min,在相同重复试验次数且拼写精度高于70%的部分拼写结果中,该算法比现有算法平均准确率高出5.34%,且具有更高的信息传输速率。