肌萎缩侧索硬化（Amyotrophic Lateral Sclerosis,ALS）等疾病会让患者逐渐失去自主控制肌肉运动的能力,最终导致功能和认知障碍。脑机接口（Brain-Computer Interface,BCI）技术能够在大脑与外围环境之间构建起一条人为的信息传输通道,是一种可以替代传统神经肌肉通路的新型交互方式。发展脑机接口技术最主要的目的就是帮助患有运动功能障碍的人群重新获得与外界互动的能力。本文所研究的基于脑电信号（Electroencephalogram,EEG）的P300字符拼写系统属于脑机接口研究领域中最热门的应用方向之一。本文首先对记录EEG数据的电极通道进行了关于不同被试条件的自适应选择。其次,将电极通道维度下的数据投射到独立成分层面并进行了相关性分析,构建了基于Bagging策略的集成支持向量机（Support Vector Machine,SVM）分类器用于P300脑电信号模式识别任务。最后,对信号中P300敏感成分进行了增强,然后利用卷积神经网络（Convolutional Neural Network,CNN）对P300脑电信号进行了时-空特征提取和分类识别。具体的研究内容如下:（1）提出了一种基于主成分分析（Principal Component Analysis,PCA）的自适应通道选择算法。由于相邻电极通道所记录的信息存在较大冗余,加剧了后续特征提取和模型构建过程的计算负担。本文首先利用实验过程中记录下的字符矩阵闪烁序列对含有P300电位响应的EEG样本进行叠加平均,以还原特定用户所产生的P300脑电波形。其次,使用PCA算法对电极通道维度进行旋转,目的是在某个维度下最大限度地保留经叠加平均后得到的P300波形信息。将该维度下的EEG序列称作P300主成分。数据经PCA运算之后可以得到该主成分对应的特征向量,其在各个维度下的数值代表了该主成分在原始通道维度下的信息含量。本文以此作为自适应敏感通道选择依据,对通道进行排序。（2）在独立成分层面探讨了P300脑电信号的特征提取方法。由于EEG信号的信噪比过低,P300电位成分易被淹没在其他背景信号当中。本文首先使用ICA盲源分离方法（Independent Component Analysis,ICA）将收集到混合信息分解为相互独立的源成分,以此来提高P300电位在某些独立成分当中的比重。其次,对含有P300电位响应的EEG样本执行同样方式的解混合操作,并在各个独立成分上叠加平均构造出P300电位响应模式在该解混合方式下的标准独立成分。然后,对所有样本数据执行解混合操作,并对各样本独立成分与各标准独立成分做相关性分析,本文采用的相关性分析方法包括时域上的皮尔逊相关分析,频域上的同调性分析以及时频域上的时频共信息法分析（Time-frequence Cross Mutual Information,TFCMI）。（3）构建了基于Bagging策略的SVM集成分类器。由于使用的P300数据集正负样本数量不均衡。本文首先采用随机抽取叠加平均的方式对少数样本类进行了扩充。此外,为了进一步提高分类器对二分类任务的识别性能,本文引入了Bagging集成策略,以有放回的抽样方式构造出20个训练子集用于训练同质弱分类器SVM,最终的样本类型判别通过投票方式决定。（4）提出了一种基于ICA的P300脑电信号增强算法。受ICA去除眼电伪迹过程启发,本文首先对样本解混合之后的各独立成分进行叠加平均,然后对得到的所有独立成分与上述P300主成分进行时域,频域以及时频域上相关性的分析,并以相关系数之和作为独立成分剔除指标。最后,利用剩余的独立分量将数据还原至原始尺寸。实验结果表明该信号增强算法对提高模型识别准确率有效。（5）设计了一种新型卷积神经网络对P300脑电信号进行模式识别。鉴于卷积神经网络在EEG模式识别任务上的优异表现,采用迭代方案设计了一种具有10层结构的卷积神经网络,该网络的卷积核被用来对EEG信号中的时-空信息进行提取。为了缓解过拟合问题,在网络中添加了dropout策略,并以batch-normalization加速其训练过程。实验结果表明本文所提模型的单样本识别准确率最高达到了98.3%,字符识别准确率最高达到了97%。