快速序列视觉呈现（Rapid Serial Visual Presentation,RSVP）是一种典型的脑机接口（Brian Computer Interface,BCI）实验范式,在以10 Hz频率快速呈现大量图像刺激的同时,采集被试观看过程中的脑电信号（Electroencephalogram,EEG）并进行实时处理,提取出目标图像相关的脑电特征并用于分类,从而实现对特定目标图像的识别。本文在对RSVP脑电信号进行时域、频域、空间域联合分析以及同步耦合分析时发现,RSVP范式除了能够诱发出delta和theta节律上的P300和N200成分响应外,还在gamma节律上诱发出了特定时-频-空分布的能量特征和特定通道间的显著性耦合差异。为此,本文分别提出了基于分频段时空成分判别的特征提取方法和基于多通道耦合的脑网络参数特征提取方法,以实现对目标和非目标RSVP脑电信号的可靠分类。首先,本文充分考虑个体脑电响应的时频和空间差异性,提出了分频段时空判别分析（Filter Bank Spatio-temporal Component Discriminant Analysis,FBSCDA）特征提取方法。该方法考虑了RSVP脑电信号在不同节律能量分布不均的特性,将gamma节律脑电信号分解为几个时、频子成分,采用共空间模式算法对每个子成分的多通道信号进行空间滤波,采用线性判别分析算法分别对各个子成分进行加权整合,从而得到RSVP脑电信号gamma节律的时-空-频特征。其次,针对RSVP脑电信号在gamma节律的耦合振荡现象,本文结合非线性分析和脑网络理论,研究目标和非目标刺激下RSVP脑电信号的通道间耦合关系,提出一种基于多通道耦合的脑网络参数特征提取方法（Brain Network Parameters of Multichannel Coupling,BNPMC）。该方法针对每个被试挑选最优耦合特征构建脑网络,提取脑网络参数作为分类特征。实验结果表明,相比于非目标刺激任务,目标刺激诱发的脑电信号在gamma节律的脑网络连接并没有得到增强,而是抑制了部分脑区的脑电响应同步性。最后,设计了基于RSVP脑电特征的图像检索系统,对10名被试开展RSVP离线实验。为避免单一角度特征分类的局限,本文引入DS决策融合理论方法,将FBSCDA方法和BNPMC方法在决策层面进行融合,充分利用gamma节律的频域-时间-空间-耦合特征信息进行分类。使用实验采集的脑电数据开展交叉验证,分别统计FBSCDA方法和DS决策融合方法的分类性能,与两种具有出色分类性能的现有方法HDPCA和DCPM比较,结果表明,FBSCDA方法和DS决策融合方法的分类准确率优于另外两种方法,且融合耦合信息的DS方法在所有被试中都取得了最优的分类性能。