脑机接口（Brain-Computer Interface，BCT）技术是一种涉及神经科学、信号检测、信号处理、模式识别等多学科的交叉技术。基于BCI技术可以达到不依赖于人的外围神经和肌肉，直接与外界进行通信或控制的目的。目前的BCI技术主要致力于为思维正常但运动功能残缺的人提供新型的弥补功能和对外信息交流手段。　　 视觉诱发电位（Visual Evoked Potential，VEP）是神经系统接受视觉刺激所产生的特定脑电信号，具有检测和处理方法相对简单且准确率高的特点，使用者可以利用在不同功能的视觉刺激器作用下产生的VEP对外部设备进行选择、控制和简单交流。可见，基于VEP的BCI系统具有较好的应用前景。为此，本文围绕VEP信号的处理方法展开研究，具体研究成果如下：　　 （1）基于脑地形图技术的VEP信号预处理方法　　 针对VEP信号微弱、背景噪声较严重的问题，提出了基于脑地形图技术的VEP信号预处理方法。即利用脑频率地形图技术对多导联VEP信号进行分析，确定最能代表视觉刺激诱发电位的脑电信号导联，并对传统累加平均法进行改进，使这些导联信号按刺激时间对齐并进行单次累加平均，减少了重复实验的次数和计算时间，并取得了较好的滤波效果。　　 （2）基于B样条小波变换的VEP特征提取方法　　 根据视觉诱发电位的非平稳性及小波变换的多分辩率分解特性，提出基于B样条小波变换的特征提取方法。即利用B样条小波变换法对视觉诱发电位信号进行处理，依据小波分解过程中产生的小波系数提取目标刺激的特征信息。结果表明，获得的特征向量可明显重构出VEP信号特有的P100，N200和P300成分。　　 （3）基于BP神经网络的分类器设计　　 BP神经网络具有对任意非线性函数的逼近能力及较强的自学习、自适应能力。为提高对视觉诱发电位的识别率及稳健性，提出一种基于BP神经网络的识别方法并在BCI系统中进行应用。将实验数据分为训练集与测试集，利用从视觉诱发电位中获取的特征样本进行BP网络学习，对待检测信号进行模式识别，验证了BP神经网络分类器的有效性，同时，为类似BCI系统的应用奠定了基础。　　 （4）视觉刺激实验设计　　 依据视觉诱发电位产生的原理，在VC++环境下完成了视觉刺激器的设计及实验研究，具体包括实验一和实验二。其中，实验一为基于棋盘格翻转视觉刺激器的实验，通过该实验验证了受试者有意识的目标选择能够产生特定的诱发脑电波形；实验二为基于九宫格数字码盘视觉刺激器的目标选择系统实验，实验中受试者在多个数字目标中选择期望的数字目标，由系统完成VEP信号采集与识别工作，验证了本文提出的特征提取与分类方法的有效性。