脑机接口（BCI）是一种不依赖于正常的外周神经和肌肉组成的输出通路的通讯系统，形成于20世纪70年代。基于BCI原理设计的装置有望帮助神经肌肉系统瘫痪的病人实现与外界的交流。应用于脑机接口系统众多类型的脑电信号中，稳态视觉诱发电位（SSVEP）具有信噪比高，操作简单，训练时间短等优点。并且，它属于一种非植入式脑电信号，不会对受试者造成创伤。因此，基于SSVEP信号的脑机接口系统得到了十分广泛的应用。　　如何从复杂的脑电信号中提取SSVEP相关信号是实现BCI控制的基础和关键。本文依托新西兰奥克兰大学研究基金和新西兰奥克兰医学研究基金等实际应用项目开展面向脑机接口系统的稳态视觉诱发电位信号处理及其实际应用研究。论文从提高 SSVEP信号的识别精度、识别速度和提高基于SSVEP信号的BCI系统的实用性等角度出发，对SSVEP信号特征提取、特征分类、信号滤波等内容进行了理论分析和大量的实例验证，实验结果证明了相关算法在实际应用中的可行性。在实验室非屏蔽环境下，成功地设计了基于SSVEP信号的BCI系统，该系统可适用于不同的测试人群。本文的主要研究工作体现在以下方面：　　（1）针对FFT方法分辨率有限的问题，采用一种基于频谱搬移的FFT细化技术，在提高频率分辨率的同时，增加可识别的目标频率总数。实际的SSVEP信号分析证明，该方法与常用的FFT补零法相比，可以提高目标频率的识别准确率。为现实应用中，更加复杂的指令控制打下基础。　　此外，结合单维信号谐波恢复相关理论，提出一种基于多信号分类（MUSIC）的适用于多维SSVEP信号特征提取方法。相对于另一种性能较好的适用于多维信号处理的典型相关分析（CCA）方法，MUSIC方法在实际操作上较为简单，实验结果证明该方法可以获得更高的识别准确率。　　（2）针对SSVEP信号特征分类，尤其是需要对空闲状态进行正确识别以降低假阳性的机率，提出一种基于自适应阈值特征分类方法，来进行最终的目标判别。基于SSVEP信号具有一定的个体差异性，提出一种基于训练数据最大识别准确率为目标函数计算自适应阈值的方法。实验数据分析表明，基于自适应阈值进行分类识别的效果优于基于高斯分布的阈值分类识别方法。　　此外，针对阈值法通常训练时间较长的缺点，从实际操作的简便性来考虑，提出一种基于二层滑动窗模型的数据处理方法来进行最终的目标判别。该方法可以避免或者少量地使用训练数据，降低系统的时间复杂度，实验结果证明该方法也可以达到很好的识别效果。　　（3）为了进一步提高识别准确率，确保系统在实际非屏蔽环境中的可靠性，在信号滤波方面，提出基于经验模态分解（EMD）的滤波方法。该方法结合SSVEP信号频率特征，可以简便地确定 SSVEP相关固有模态函数进行信号重构，达到滤波的效果。实验结果表明该方法可以有效地提高 SSVEP信号识别准确率，对于SSVEP信号在空闲状态时的处理效果尤其明显。　　然而，EMD方法存在计算量较大的缺点。针对某些特定BCI系统实时性较高的要求，提出了基于高斯白噪声的自适应滤波（AF）方法。针对自适应滤波器中参考信号往往不确定问题，将高斯白噪声作为自适应滤波器的输入信号，原始的SSVEP信号作为参考信号，使得自适应滤波器产生的差值信号作为去噪后信号。实验结果表明该方法可以有效地降低噪声的干扰。　　（4）针对数据采集、信号处理和设备控制等功能进行模块化设计，降低系统的耦合度，有利于后续功能的扩展。系统各个功能模块之间通过网络通信。同时，模块化的设计也为后续开展其它类型的BCI系统研究提供了基础和便利。　　结合设备控制中存在的“速度匹配”问题提出的相关控制策略，成功设计了基于SSVEP信号的BCI系统，在实验室非屏蔽环境下，不同的测试人员，甚至是未使用过 BCI系统的受试者，可以准确地实现对机械臂、虚拟键盘等设备的实时控制。这也证明了课题研究中提出的相关算法在实际应用中的可行性与准确性。