脑-机接口（Brain-computer interface,BCI）可以将用户的大脑活动转换为控制命令或信息输出,是一种新型的人机交互途径。基于稳态视觉诱发电位（Steadystate visual evoked potentials,SSVEP）的BCI具有较高的信息传输速率,被广泛研究及应用。目前的SSVEP解码算法依赖于大训练样本,训练时间较长,在校准数据较少时,不能保持稳定的解码性能。因此,研究针对SSVEP围绕开发新型数据增强方法、设计高效特征识别算法、建立自然友好的BCI系统展开研究。首先,针对传统SSVEP解码算法难以适应小训练样本的问题,研究设计了用于SSVEP数据增强、且适合全频率与多时间窗口的SSVEP试次循环移位（Cyclic shift trials,CST）方法,进一步开发了针对SSVEP的CST分类算法,即基于典型相关分析的循环移位（CST with canonical correlation analysis,CST-CCA）算法和基于任务相关成分分析的循环移位（CST with task-related component analysis,CST-TRCA）算法。分析结果表明在小训练样本与短时长校准条件下,CST方法能显著提升SSVEP分类水平,较传统方法平均识别率最大可提升9.7%。其次,针对训练量增加时CST方法性能减弱的问题,研究设计了双重试次循环移位（Double cyclic shift trials,DCST）方法,且开发了针对SSVEP的DCST分类算法,即基于典型相关分析的双重循环移位（DCST with CCA,DCST-CCA）和基于任务相关成分分析的双重循环移位（DCST with TRCA,DCST-TRCA）算法。分析结果表明DCST方法不仅能显著提高较长校准时间下的SSVEP分类水平,还首次应用于一个训练样本下的SSVEP解码,其平均目标识别率达到85.27%,最高99.17%,证明DCST适用于不同训练量下的SSVEP特征增强与识别。最后,研究搭建了基于SSVEP的40指令脑-机字符在线拼写系统并开展了实验,通过引入Fisher Score进行动态特征子集筛选,而后开发了基于多模式匹配的双重循环移位（DCST-CCA+DCST-TRCA）算法。实验结果表明DCSTCCA+DCST-TRCA算法的解码效果更加优异且稳定,校准时间只需56s的条件下,在线信息传输速率最高可达212.62 bits/min。综上所述,研究开发了面向SSVEP的数据增强技术,设计了适用于SSVEP的高效解码算法,建立了短时长校准条件下的高效SSVEP-BCI字符拼写系统,为实现交互友好的BCI系统及应用提供了理论和技术支持。