稳态视觉诱发电位脑-机接口（Steady-State Visual Evoked Potential-based Brain Computer Interface,SSVEP-BCI）系统具有校准时间少或无需校准、信息传输率高和BCI盲率低等优点,因此被广泛应用于脑控打字系统设计和外部设备控制。从信号解码角度出发,实现高性能SSVEP-BCI系统的关键在于快速和准确地解码出用户所注视的视觉刺激目标。但是,对于不同类型的系统,其信号解码方法的开发面临诸多挑战,主要体现在:1)针对无校准场景,由于脑电信号的信噪比低,故当测试信号的数据长度较短时无法保证解码精度;2)针对有校准场景,由于刺激目标数多而各目标的训练数据有限,故算法开发困难;3)针对少校准场景,由于系统校准时间减少导致训练数据量进一步缩小,故算法开发难度加剧。为促进SSVEP-BCI的实际应用,本文针对不同校准场景下系统的信号解码方法展开了研究,主要研究工作和成果如下:（1）针对无校准场景下测试信号信噪比低的问题,本文提出了基于多尺度差分的信号增强方法。借鉴非平稳时间序列的处理方法,对测试信号进行了多尺度差分,以对其平稳化并挖掘局部时间结构信息。为了充分利用不同尺度差分处理后的信号信息,本文提出了差分信息融合框架。实验结果表明,多尺度差分能够突显原始信号的高频谐波成分,提高其信噪比。结合所提出的差分信息融合框架,在数据长度为1s时,主流无训练解码方法典型相关分析和多变量同步指数的解码正确率分别提升了14.23%和10.67%,其滤波器组形式的解码方法正确率分别提升了3.48%和4.76%。此外,所提出的方法显著优于目前主流的信号增强方法——时滞信息嵌入和锐化滤波。（2）针对有校准场景下广泛应用的任务相关成分分析（Task-Related Component Analysis,TRCA）解码方法存在提取出任务相关噪声的问题,本文提出了基于相似性约束的任务相关成分分析方法。通过引入SSVEP信号模型的先验知识,对TRCA的目标函数进行了改进,使得求解的空间滤波器能够提取出与SSVEP最为相关的信号成分,从而达到排除任务相关噪声的目的。实验结果表明,所提出方法的解码性能显著优于TRCA,并且性能提升在训练数据不足时更为明显。此外,所提出的方法显著优于目前主流的TRCA改进方法。（3）针对少校准场景下目标受试者训练数据匮乏的问题,本文提出了基于受试者特有信息迁移的数据迁移方法。首先,通过信号正交投影得到源域和目标域受试者的特有信息成分;接下来,对源域受试者特有信息进行数据变换,缩小其与目标受试者特有信息之间的差异;最后,通过样本构造增加目标域受试者的训练数据量。实验结果表明,融合迁移数据后,基于TRCA的信号解码方法的性能得到显著提升。此外,所提出的方法显著优于目前主流的基于最小二乘变换的数据迁移方法。本文从不同角度提出了新的信号解码方法,以应对SSVEP-BCI系统实际应用时会出现的无校准、有校准和少校准场景。纵向和横向对比实验表明,这些方法能够较好地解决不同校准场景下信号解码面临的关键难题,对提高SSVEP-BCI的实用性有重要意义。