脑-机接口(BCI)是一种不依赖大脑常规信息输出通道的全新交互方式,未来在帮助脑损伤病人上具有很高的潜在价值。目前,脑-机接口特别是基于稳态视觉诱发电位(SSVEP)的脑-机接口由于信息传输率高、不需要训练等优点,受到越来越多人的关注。但是基于SSVEP的BCI系统对刺激方式过于敏感,因此如何有效地对SSVEP信号进行处理,将直接影响BCI系统的性能。本课题是采用频谱特征方法、小波变换、希尔伯特-黄变换(HHT)和典型相关分析(CCA)对不同刺激个数和刺激距离情况对SSVEP信号处理影响的研究。具体主要工作如下:首先,本文设计了一套能够快速设定刺激个数和刺激距离的基于LCD显示器的刺激器方案,为课题研究奠定了基础。在此基础上,本文采用FFT、短时傅里叶变换(STFT)和AR模型从频谱特征角度对SSVEP进行特征提取研究。实验表明,FFT和STFT比AR模型更适合用于分析刺激频率之间的关系。其次,本文对基于小波变换和HHT的SSVEP特征提取进行研究,分析不同刺激个数对特征提取的影响。针对经验模态分解容易产生“模态混叠”等缺点,本文提出一种结合小波包的改进HHT方法。实验表明,改进HHT方法对SSVEP的特征提取和识别效果要优于小波包和HHT方法。此外,实验还表明,随着刺激个数增加,刺激之间的竞争更加激烈,目标刺激频率受抑制更为显著,增大了特征提取难度。最后,本文采用典型相关分析(CCA)对不同刺激距离和不同刺激个数情况下的SSVEP识别效果进行研究。其中,通过比较CCA和Mset CCA的识别效果,分析了两种参考信号构造方式的影响因素。为了提取SSVEP中的有效成分,本文提出一种结合小波包的改进CCA算法。实验结果一方面表明,改进CCA算法很大程度上提高了对SSVEP信号的识别准确率。另一方面表明,随着刺激距离的减小或刺激个数的增加,刺激之间的竞争关系逐渐增强,目标刺激频率受抑制作用增大,进而增大了识别的难度。最后分析了基于FFT、小波包、HHT、改进HHT、CCA和改进HHT的SSVEP识别效果,结果表明,改进CCA分析的识别效果最好,且其他算法都比FFT好。