脑机接口（brain computer interface,BCI）是指在大脑与体外的智能设备之间建立一种直接通信控制通道,使得大脑可直接控制外部设备完成各项工作。为探究BCI系统的小型化和实用化,本文在基于STM32F407单片机的嵌入式平台上,选用信噪比高并且诱发特征稳定的稳态视觉诱发电位（steady state visual evoked potential,SSVEP）作为脑控范式,设计了基于嵌入式的脑电信号解析系统,通过解析SSVEP目标信息和注意力状态信息,实现对外部移动机器人组的实时控制。本文主要从系统软硬件平台设计和解析信息的决策融合两个方面开展以下内容的研究。在系统软硬件平台设计方面,本文搭建了包括主控平台、人机交互平台和移动机器人平台的系统硬件结构,并按照系统功能需求进行模块化编程,实现了脑电信号的传输、存储、解析、控制输出和人机交互、SSVEP信号诱发、移动机器人控制等功能。其中,在脑电信号解析决策模块,本系统通过移植任务相关成分分析算法（taskrelated component analysis,TRCA）实现了对SSVEP信号的解析识别。通过对系统集成测试,证明了本系统在嵌入式平台实际运行的可行性。在解析信息的决策融合方面,本文提出了一种带有分类得分的注意力检测和频率识别联合决策方法（attention detection-frequency recogniztion with score,AD-FR-s）,利用注意力检测算法和频率识别算法对脑电信号解析得到的分类结果和分类得分值进行决策融合输出最终的控制指令。本文采用优化复杂网络（optimized complex network method,OCNM）和异步TRCA作为注意力检测和SSVEP识别算法,并将OCNM移植到本嵌入式系统测试了该算法的移植效果。对5名参试者的实验结果表明,所提出的AD-FR-s方法在异步控制过程中具有降低指令误触发的优势,其平均真实阳性率（true positive rate,TPR）、平均分类准确率（accuracy,ACC）和平均信息传输率（information transfer rate,ITR）分别为75.75%、83.88%和47.72bit/min。