脑机接口技术可以使一些患有神经系统疾病的瘫痪病人在不借助任何神经、肌肉控制的情况下,直接通过大脑活动来控制外部设备,这种技术给病人与外部世界的交流提供了一种全新的交流通道。然而脑电信号的信噪比较低,易受采集设备或受试者其他生理信号干扰,这为脑电信号的特征提取及分类带来一定挑战。另外,针对不同类型的感知任务,大脑皮层中被激发的区域是不一样的,例如在进行视觉刺激时,视觉皮层会产生受到特定频率诱发后的脑电信号,致使一些电极所采集的脑电信号与刺激无关,过多电极的使用会造成信息冗余。基于以上问题,本课题在P300字符识别系统研究的基础上,从脑机接口识别算法和通道选择两个角度进行研究,旨在提高目标字符识别率和信息传输速率。本文主要工作内容如下:（1）针对脑电信号特点及字符识别率不高的问题,构建了一种MTS-CNN网络对脑电信号进行特征提取与字符识别。MTS-CNN具有两个并行卷积层,脑电信号的时间样本点是卷积核长度的整倍数,卷积核移动的步长为两个卷积核各自的时间长度。将两层并行卷积所提取的时空特征在时间维度上叠加,可以在相同空间维度下提取多元化时间信息,与此同时全连接层以0.2概率的Dropout对神经元随机失活,缓解过拟合的发生。实验结果表明,相比于其他经典网络,MTS-CNN有更高的字符识别率和信息传输效率。（2）提出一种相关性方法对脑电信号进行通道选择,这是一种偏向Hard的处理方式。本文对通道间的相关性分析来探究通道间的相关程度,其次根据不同受试者特点,设置对应的相关性阈值,对相关性极强的通道进行去除,保留脑电信号中对分类有价值的通道,该方式减少了数据冗余,提高了字符识别率和信息传输速率。在15次重复实验中MTS-CNN-CSC取得98.0%的字符识比率,显著优于MTS-CNN95.5%的字符识别率。此外,MTS-CNN-CSC的信息传输速率在多数重复实验次数下比MTS-CNN的信息传输速率更高。（3）提出一种通道注意力加权算法对脑电信号进行处理,脑电信号不同通道表示不同的空间特征。本文提出的通道注意力加权算法可以对脑电信号的空间维度进行通道注意力加权,进而衡量脑电信号通道的重要程度。其次构建了通道注意力模块并嵌入到MTS-CNN模型中不断训练,最终通道注意力模块会产生一个权重矩阵,将权重矩阵与脑电信号的特征按通道维度进行加权,可自适应校正有价值的通道特征权重。实验结果表明,MTS-CNN-CAM在1～15次重复实验中总平均字符识别率比MTS-CNN提高了1.4%,并且在前几次重复实验中,MTS-CNN-CAM获得的字符识别率和信息传输速率相比于MTS-CNN有显著提升。