脑机交互（Brain Computer Interaction,BCI）作为一种能直接将头皮脑电活动转换为控制指令的人机交互技术,具有重要的科学意义和应用前景,但也面临诸多挑战。受限于目前技术水平,传统的单纯直接依靠解码大脑信息来进行交互的控制方式,在控制指令的丰富性、准确性等方面都较难满足实际需求。脑机共享控制的出现可以很好地解决受试者脑控能力不足的问题,而且也能有效减轻用户的控制负担。如何实现脑机共享控制,将脑控和机器自主控制两种方式的优势进行智能结合,是目前脑机接口研究领域的一个重要问题。基于此,本文主要针对基于稳态视觉诱发电位（Steady-State Visual Evoked Potential,SSVEP）脑机交互系统的共享控制方法进行研究。本文首先设计了SSVEP的脑机接口系统,提出了利用粒子群-极限学习机（Particle Swarm Optimization-Extreme Learning Machine,PSO-ELM）方法对SSVEP 脑电信号进行识别,并进行了算法的对比分析,为后续研究基于SSVEP脑机接口系统的共享控制方法打下基础。同时区别于以往单层脑机接口指令有限的情况,为了获得更准确和丰富的脑控命令,设计了一种具有反馈规则的分层脑控方法,受试者可以根据第一层的指令识别结果和反馈信息调整其控制策略,从而在一定程度上避免脑电的不确定性,增强脑控系统的稳定性。其次,针对脑电、机器感知和动作执行所存在的不确定性问题,提出了一种基于贝叶斯方法的脑机共享控制方法,通过建立脑控指令和基于视觉的角度路径规划的概率模型,利用最大后验概率估计,贝叶斯共享控制方法将两类控制命令智能结合,从而实现全时的共享控制策略,并应用在对脑控轮椅机器人运动控制系统中。通过在室内静态和动态障碍物的未知环境下实验,并结合具有反馈规则的分层脑控方法,验证了所设计系统具有良好且稳定的性能,11名受试者参与了在线实验,完成任务的总体平均成功率可达71.82%,相较于纯脑控方法有显著的提升,同时在完成时间和用户体验等方面也有较大的提升,尤其对脑控能力较弱的受试者有较明显的提升效果。再次,针对在脑电存在不确定性情况下,如何在全时共享控制中尽可能保持用户最大控制权,并且以最优方式实现用户意图变化的问题,提出了一种基于模型预测控制的脑机共享控制方法。该方法具有两层结构,下层基于模型预测控制方法求解多目标所对应的代价函数,上层通过目标选择器,将多个由下层产生的代价函数进行比较,并产生最终的系统控制量,从而使系统尽可能运行在受试者所期望的意图中,避免在任务过程中额外进行用户意图估计的问题,实现了多目标不确定环境下的全时脑机共享控制。5名的受试者参与了在线的脑机交互实验,均以较高的成功率（总体平均93.33%）和较高的质量完成了所设计的实验验证了所设计系统的有效性。最后,针对受试者在脑机交互中脑控能力存在个体差异以及随时间改变的问题,为更好地结合受试者的情况,实现更高效稳定的脑控系统,提出了一种基于Quantized Attention-Gated Kernel Reinforcement Learning（QAGKRL）方法的脑控评估网络BSE-NET,用于在线评估受试者的脑控能力,并根据BSE-NET,设计了自适应共享控制系统。系统中利用贝叶斯方法在线估计受试者意图,从而产生人工势场的引力方向,并将人工势场方法和脑控结合实现机器人运动控制。对于脑电解码精度不同的受试者,可以通过BSE-NET评估网络获得反映其大脑控制能力的输出结果,并将输出结果用于智能调整两类控制的权重,从而实现自适应共享控制系统。通过在线的脑控轮椅实验验证了方法的有效性,8名受试者的平均任务成功率为90%,所设计的系统能根据不同受试者情况进行智能调节机器辅助水平,实现稳定的控制效果。