脑机接口（Brain-Computer Interface,BCI）技术是一种新兴的人机交互技术,该技术不依赖于外部肌肉和外周神经系统,为人类大脑和机器之间开拓了一条额外的信息交流、控制的通路。该技术不仅为身体不便的病人实现对外界的硬件控制提供了可能,也为普通人提供了一种全新的信息交流方式。近年来,基于稳态视觉诱发电位（Steady-state visual evoked potential,SSVEP）的BCI因其具有高信噪比、高信息传输速率的特点,得到了学者们的广泛关注。随着SSVEP-BCI的应用场景不断扩展,有效的SSVEP识别算法研究显得越来越重要,这也是本文研究的主要内容。本文首先搭建了一个能够诱发SSVEP信号的刺激平台,使用正弦编码的刺激界面诱发出被试的SSVEP信号,利用采集的数据开展SSVEP识别算法及控制平台搭建的研究。本文主要进行了以下研究工作:（1）利用SSVEP刺激平台构建了实时在线的SSVEP-BCI系统,该系统可实现实时的目标刺激识别,通过TCP/IP协议将识别结果发送到接收端。目前,能够实现实现的功能有NAO机器人的行走控制和字符的识别输出。（2）提出了一种基于个人信号混合模板的多元同步指数算法（Individual signal mixing template multivariate synchronization index,IST-MSI）,将个人训练模板和个人谐波敏感系数纳入标准MSI算法的计算之中。该方法强化了个人训练模板中基频及其谐波的频域能量,减少了个人训练模板中的冗余信息。通过谐波敏感系数和混合系数的不等比例缩放,显著降低了MSI算法识别的非目标频率同步指数,从而改善了SSVEP信号的识别效果。实验结果表明,在1.2秒的信号长度下,IST-MSI算法在6个目标频率下的平均分类精度达到了84.3%,比标准MSI算法高出了5.8%。（3）提出了一种基于滤波器组的多元同步指数算法（Filter Bank multivariate synchronization index,FBMSI）。该算法设计了9个不同频段的带通滤波器,将脑电信号分解为9个子带。分别计算各子带信号与参考信号的同步指数,通过权重向量的参数寻优,将基频分量和谐波分量结合起来,从而达到提高SSVEP识别精度的目的。利用9名被试的离线数据集进行参数寻优,并进行了在线实验验证。在线实验结果表明,在信号长度为1秒的情况下,FBMSI算法在6个指令下的平均分类精度达到83.56%,比标准MSI算法提高了12.26%。