脑-机接口(BCI)是近年来发展的一种新型的人机交互方式,它是一种不依赖于常规脑外周神经和肌肉系统,直接在人脑和计算机等电子设备之间进行信息交流和控制的通讯系统。其在康复医学工程、脑认知、人工智能、航空航天、军事等领域具有重要的应用价值。BCI系统涉及两个主要方面,一方面是对脑电信号的采集以及如何使大脑产生容易被区分和识别的控制信号；另一方面是计算机如何有效处理信号,提取脑电信号的特征并选择识别这些特征。因此,脑电信号特征提取与识别是BCI技术的关键环节,脑电信号处理算法的优劣直接决定了脑机接口系统的性能。目前,脑电信号处理算法研究还处在探索研究阶段,在特征提取效果、识别精度和时间消耗上存在一些亟待解决的问题,制约了实时脑机交互系统的实现。针对上述问题,本文开展了基于视觉诱发的脑电信号处理算法研究,分别研究和仿真实现了视觉诱发脑电信号的预处理、特征提取和特征分类。具体完成工作如下：(1)脑电信号预处理算法研究。针对脑电信号个体差异大、信号幅度弱、易受外界干扰、随机性强等特点,对测量的脑电信号采用共平均参考、带通滤波、独立成分分析、小波消噪等预处理方法,去除基线漂移、眼电伪迹和自发脑电干扰,获得较为纯净的视觉诱发脑电信号。(2)脑电信号特征提取算法研究。分别采用相干平均、Wigner-Ville分布,对BCI2004竞赛视觉诱发脑电数据进行特征提取和分析,并改进了Wigner-Ville分布,较好地抑制了交叉项干扰,有效地提取视觉诱发脑电P300特征。(3)脑电信号特征分类算法研究。设计了Fisher线性判别,BP神经网络,遗传算法结合BP神经网络分类器,分别采用线性和非线性分类器,对BCI竞赛脑电数据进行特征分类。结果表明：Fisher线性分类器取得了最少的时间消耗,而遗传算法结合BP神经网络分类器取得了最高的分类正确率。