脑机接口(brain-computer interface, BCI)是一种在大脑与外部电子设备之间建立的不依赖于肌肉组织或外围神经的新型信息传输装置。基于稳态视觉诱发电位(steady-state visual evoked potential, SSVEP)的BCI系统不仅可以实现高的信息传输速率,而且与其他BCI系统相比需要较少的校正时间,一直以来都是BCI研究中的热点。本研究主要对基于SSVEP的多通道BCI系统的空间特征提取及分类算法进行了优化,并取得了如下的研究成果：(1)本文建立了一个双重偏最小二乘回归(double partial least squares, D-PLS)的SSVEP频率识别模型,利用该模型可以在不需要进行训练的情况下,实现对SSVEP信号的空间特征提取及分类。在该模型中首先建立了一个PLS空间滤波器,从多通道脑电(electroencephalography, EEG)数据中提取出有效的SSVEP成分；然后,建立了一个基于PLS的SSVEP频率识别算法,对提取出的SSVEP特征信号进行分类。为了检验D-PLS模型的有效性,分别对PLS空间滤波器及PLS频率识别算法的性能进行了测试,并将它们分别与现有算法进行了对比分析。实验结果证明,PLS算法在SSVEP空间特征提取及频率识别方面都取得了很好的效果,而且具有很高的运算速度。D-PLS算法在各种实验条件下,均比现有的分类算法平均提高了2～4%的分类正确率,大大提高了BCI系统的性能。(2)本文我们还提出了一个基于功率谱密度分析(power spectral density analysis, PSDA)、典型相关分析(canonical correlation analysis, CCA)和D-PLS三种分类方法的联合判别算法。在短的时间窗上(1.5～3.5s),BCI系统的分类正确率在D-PLS的基础上进一步提高了2%到5%的正确率。