脑机接口是在人脑和计算机或其他电子设备之间建立的不依赖于常规大脑信息输出通路的对外信息交流和控制的通信系统。作为事件相关电位中重要的内源性成分,P300脑电信号广泛应用于脑机接口系统中,如何快速、准确的对其进行提取与识别是P300脑机接口领域研究的热点问题,对认知生物科学、脑神经科学和电子与信息科学等具有十分重要的意义。本文利用近年来信号处理领域中应用较为广泛的盲源分离方法,从预处理、特征提取、特征优选和分类识别四个方面,对P300脑机接口信号处理算法进行分析研究。针对P300脑电信号预处理过程中,小波变换存在的P300信号与伪迹成分频谱重叠、小波基优选缺乏必要的理论依据,以及盲源分离存在的源信号过度分解、估计分量需要人工挑选等问题,提出一种P300脑电信号提取的新方法:结合电极分布特性,依据信噪比和均方根误差量化指标选择最优小波基;依据平滑伪Wigner-Ville分布时频分析的结果,通过相干平均、小波变换和盲源分离算法对原始信号进行时域、频域和空域滤波;依据分离矩阵的逆矩阵、整体和局部PCC系数、局部平均振幅和局部峰振幅,结合G1法构建时空分析模型,最优化自动提取P300分量并映射回头皮电极处。设计实验对比分析了Fast ICA、Informax、SOBI和JADE四种盲源分离典型算法在P300脑电信号提取过程中的性能。通过实验验证,提出的方法相较于相干平均、小波变换等传统方法,P300脑电信号的提取效果有显著提高。针对P300脑电信号特征提取、特征优选和分类识别过程中,多导联、多特征造成的操作繁琐、数据冗杂等问题,提出一种P300脑电信号识别的新方法:将枚举法和顺序前向浮动搜索法相结合,依据基于散布矩阵的可分性判据,对小波变换、盲源分离过程中的初始特征进行优选;采用非线性软间隔支持向量机,利用交叉验证和粒子群寻优算法对分类器参数进行优化,构建具有6维特征向量的训练模型进行分类识别。通过实验验证,提出的方法在系统分类精度和速度方面均有较大改善,为基于P300脑电信号的脑机接口系统在线应用打下基础。