脑机接口(brain-computer interface, BCI)通过在大脑和外部设备之间构建一条独立的通道,达到两者间信息传递和交互的目的,是当前国际研究热点。头皮脑电(EEG)中的事件相关P300电位是脑机接口研究的主要特征信号模式之一,具有产生稳定、无需训练等优点。当前围绕P300脑机接口的研究主要基于经典的P300 Speller系统,使用6×6字符矩阵的行、列刺激诱发用户的P300电位。但近年来的研究发现P300 Speller的行列刺激诱发范式对某些被试而言任务复杂,且在某些应用场景中无法适用。此外,P300脑机接口中的刺激诱发参数选择、模式识别、在线性能等关键技术还缺乏系统而深入的研究。针对P300 Speller的局限性,本文重点研究基于SCF (single character flash,单刺激诱发)范式的P300脑机接口,从交互界面、特征提取、分类和自适应及功能扩展等多个方面深入地探讨了如何提高基于SCF范式的在线P300脑机接口性能。主要研究内容包括：1.首先设计了刺激诱发参数可配置的SCF范式P300脑机接口平台,P300电位的诱发通过单个刺激闪烁实现,而非经典范式中的行、列刺激闪烁。基于该平台,利用汉字由笔画构成和5种笔画即可输出所有汉字两个特点,首次提出了基于P300脑机接口的中文打字模型,使用7-oddball的SCF范式实现了快速、有效的中文汉字输入。2.提出了P300脑机接口刺激诱发参数的个性化配置策略,从交互界面改进系统性能。利用SCF范式P300脑机接口平台的刺激诱发参数可配置性,研究了不同刺激诱发参数的在线带反馈实验。发现同一被试在不同配置下的在线正确率表现各异,且诱发的P300电位在幅度和潜伏期上存在较显著差异。最后提出个性化配置策略,可根据被试个体因素进行个性化的刺激诱发参数优化配置以提高系统性能。3.提出了基于线性回归的眼电伪迹去除策略和基于粗糙集理论的电极通道选择方法,在特征提取上改进SCF范式P300脑机接口性能。通过在线实验和离线分析验证了使用基于线性回归的去眼电伪迹策略能有效提高P300脑机接口性能；首次提出了基于粗糙集理论的电极通道选择方法,无需分类器训练即可有效评价通道重要性,达到快速优化电极通道、降低处理数据维度的效果。且由该方法得到的通道重要性评价与其他文献中根据经验选择的电极通道位置基本一致。4.研究了SCF范式下的P300电位识别方法,从分类转换的角度提高系统性能,并提出了在线重叠自适应P300脑机接口模型,有效解决了自适应P300系统中的处理时滞问题。通过Fisher线性判别、支持向量机和bagging算法显著提高了SCF范式下的P300识别正确率；分析了叠加方式、叠加次数与分类结果的关系,发现基于非叠加数据训练的Fisher线性判别分类器能在4次叠加的测试中即达到93.07%的正确率。在此基础上,提出了在线重叠自适应P300脑机接口模型,通过在交互界面上重叠P300的刺激诱发与分类器的结果反馈,缩短自适应叠加过程中的数据处理时滞,显著提高了系统的自适应性能。5.提出了EEG混合控制模式,功能上扩展了P300脑机接口的应用范围。采用分时检测策略将P300电位和运动想象节律信号整合到同一脑机接口中,利用P300提供高维度、离散控制指令,提取运动想象特征模式转换为低维度、连续控制指令。在脑机接口结合虚拟现实的研究中,该EEG混合控制模式突破了传统运动想象或P300脑机接口在虚拟场景中控制功能的局限性,实现了虚拟场景中的漫游和家居控制。相比于大部分P300脑机接口的研究基于离线分析,本文不但实现了SCF范式的在线P300脑机接口,还设计了各种在线带反馈的测试实验验证文中提出的方法和模型,且实验任务具有上下文语义,更接近真实的应用场景。