脑-机接口(brain-computer interface, BCI)是一种通过脑信号处理而建立起大脑和外界交流的新型人机接口方式,可为运动障碍者提供语言交流和环境控制的途径。本文针对稳态视觉诱发电位(steady-state visual evoked potential, SSVEP)进行了实验及模式分类识别算法研究,将脑-机接口技术和机器人控制技术相结合,设计搭建了脑电信号控制的基于事件的NAO机器人遥操作系统。本文主要工作集中在信号处理和系统搭建两方面。首先通过分析设计视觉刺激器,搭建了稳态视觉诱发电位信号的数据采集系统。接着通过对比巴特沃斯带通滤波及小波阈值去噪和去除基线漂移的方法,确定小波阈值去噪方法进行数据预处理。并且通过对三种不同视觉刺激频率下的脑电信号分析,提出了基于小波分解系数奇异值、小波包分解系数子带能量和经验模型结合自回归分解系数的三种特征提取方法,并以实验采集数据为处理对象完成特征提取。接着改进了LVQ网络分类器、基于粒子群参数优化的BP神经网络分类器和基于遗传算法的SVM分类器,并以该三种分类器对以上特征提取结果进行分类,达到了预期效果。本文还设计搭建了基于稳态视觉诱发电位信号的NAO机器人遥操作系统。通过设计机器人反馈交互界面和模式切换方式,改善了基于事件的机器人控制条件。并通过控制机器人完成行走和放置物体的一系列实验任务对系统进行了验证。综上所述,本文所提出的信号提取与识别算法为最终实现BCI的应用奠定了理论和实验基础,并且所设计的脑控机器人遥操作系统具备可行性,也为临床应用提供了新思路。