脑机接口是一种通过分析大脑思维信号并将其转换成外部设备或者程序指令的通信系统。其目的是想给那些肢体残缺或者运动神经系统受损的人提供一种新的交流方式。在脑机接口研究领域中,其中基于P300的脑机接口具有实验范式简单,被试不需要训练并且能够产生很多的指令等特点,受到广大研究者的青睐,因此本文主要研究是基于P300的脑机接口指令识别。论文中的主要研究内容如下:(1)提出了两种通道选取指标算法。一种是基于脑电信号幅值特征的通道敏感度(Channel Sensitivity,CS)指标,该指标利用每个通道的P300与非P300波形差的绝对值作为通道优选标准。另一种是基于脑电信号相位特征的相位同步(Phase Synchronization,PS)指标,该指标利用通道与通道之间的脑电信号PLV值的大小作为通道优选标准。实验结果表明算法能够根据不同被试选择不同的最优通道配置,并且减少了计算量。(2)研究并实现了两种不同的时域特征提取方法。分别是叠加平均法和主成分分析法,对于主成分分析方法的主成分个数选择做了详细的说明并且展示P300脑电信号叠加15次后的特征提取结果。(3)研究了基于概率模型的贝叶斯线性判别分析(bayesian linear discriminant analysis,BLDA)方法。通过这种方法来验证特征提取与通道选取算法的有效性。通过在第三次国际BCI竞赛的data set II数据集上验证,结果显示,使用所有通道数据,特征提取方法为主成分分析以及分类识别为BLDA的情况下,字符识别准确率达到了96.5%和竞赛第一名结果相等。而基于PS指标选取的8个最优通道准确率达到67%,同时基于CS指标准确率也达到了84.5%,比固定的8个通道准确率要高。(4)提出了一种权重极限学习机(Weighted Extreme Learning Machine,WELM)分类算法。该方法主要针对ELM算法的随机函数没有和样本类别产生关联以及P300正负样本不均衡性。最后在同样的实验集上验证,使用所有通道数据,特征提取方法为主成分分析以及分类器为WELM的情况下,字符识别准确率达到了97%,而使用CS指标的8个通道数据达到了85.5%。