脑机接口（Brain-Computer Interface,BCI）的发展旨在提供一个从人到计算机的沟通渠道,从而将大脑活动转换成一系列控制命令。近年来,BCI与计算机游戏交互的应用日益流行,相对于其他类型的BCI游戏系统而言,基于稳态视觉诱发电位（Steady-State Visual Evoked Potential,SSVEP）的BCI游戏系统具有更高的识别准确率和更短的训练时间,在推进BCI游戏系统的实际应用方面具有重要研究意义。然而,在少通道短时间窗的情况下,SSVEP信号分析效果与实际需求存在一些差距。因此,本文主要讨论融合SSVEP范式与珠宝矩阵游戏的脑电信号识别方法研究,旨在较少通道且时间窗较短的情况下,研究新方法来提升SSVEP信号识别方法的准确率。首先,在较少的时间成本和计算成本的情况下,去提高SSVEP信号短时间窗下的识别准确率。典型相关分析（Canonical Correlation Analysis,CCA）已经被证实是一种无需校准数据且计算速度快的方法,所以本文希望改进CCA方法,寻求无需训练数据或者校准数据就能提高SSVEP信号的识别准确率。故提出了一种基于延时嵌入的典型相关分析（Delay embedding into Canonical Correlation Analysis,DCCA）方法,在计算相关系数时嵌入1阶延时版本的脑电信号。事实证明,在不同时间窗下,该方法对所有被试的SSVEP信号平均识别准确率均优于CCA。然后,重点考虑提高SSVEP信号短时间窗下的识别准确率。任务相关成分分析（Task-Related Component Analysis,TRCA）方法更多关注的是trail间的协方差最大化,没有考虑到SSVEP信号的结构和特征,故本文利用SSVEP信号的时间特性对TRCA进行扩展,提出了基于SSVEP时间特性的任务相关成分分析（Task-Related Component Analysis with Temporal Characteristics,TTRCA）方法,寻求一组新的空间滤波器,并结合模板信号进一步提高SSVEP信号识别准确率。结果表明,在不同时间窗下,该方法对所有被试的SSVEP信号平均识别准确率均优于TRCA。最后,针对14名被试的SSVEP信号数据集,选取不同时间窗长度,将本文所提出的两种新方法与现有的SSVEP信号识别方法作对比,进行了系统的图表分析,验证了两种新方法的可行性和准确性,并给出了两种新方法的应用角度与建议。