脑的电生理活动信号的采集区域一般位于大脑颅腔内或大脑头皮,采集精度差、信号识别率低是脑机接口（BCI）研究面临的主要挑战。目前BCI的信号采集主要分为侵入式和非侵入式,但侵入式BCI手术风险大,且在术后容易引起免疫反应和愈伤组织。非侵入式BCI因其采用头皮脑电信号（EEG）,具有无创性、良好的时间分辨率、便携性和成本较低等特点,已成为BCI技术的研究热点。在非侵入式BCI中,运动想象BCI需要对被试自身和EEG数据进行大量训练来达到期望值;视觉诱发BCI字符拼写速度远低于自然语言交流的速度,且长时间的中低频率刺激可能会诱发出癫痫。听觉诱发BCI因其无需训练、脑电信号稳定、简单高效的信息传输效率与耐疲劳性强等特点,可有效提升字符的拼写速度,进而提升采集精度和信号识别准确率。本文瞄准国际学术前沿及社会市场需求,对听觉诱发BCI的模型构建与实验范式、EEG识别算法等进行了深入研究,取得的主要研究成果如下:（1）针对传统BCI中被试容易疲劳的问题,结合NeuroSky的TGAM芯片将被试专注度量化为eSense参数,提出基于监督范式的听觉诱发BCI模型,搭建了听觉诱发BCI硬件平台,根据实验过程中被试专注度的eSense值的变化及抛弃数据的比例可得,EEG的采集精度提升了30%左右。（2）针对于以往数据集不考虑专注度的问题,建立基于听觉诱发BCI的EEG数据库,包含数字语音10类、短句20类、长句20类共50类标签。eSense参数值是通过对脑电信号进行放大处理,并滤除噪声与伪迹,再运用eSenseTM专利算法对其运算得到的。（3）依据词或句,分别设计了面向数字语音识别的听觉诱发BCI和面向语句音频识别的听觉诱发BCI。对于数字语音识别,针对长短期记忆神经网络（LSTM）在模型训练时出现的毛刺多、抖动大的问题,结合3个不同隐藏单元的Dense层提出LSTM-tDense算法,最终映射到softmax层输出分类结果,突破了模型收敛慢、抖动大的难题,在识别率上与表现较为良好的门控循环单元网络（GRU）相比取得了5%的提升;对于语句音频识别,针对算法模型出现的过拟合问题,在LSTM输出权重的损失函数中添加惩罚项（L2正则化）,提出基于三层Dense的惩罚式长短期记忆神经网络（PLSTM-tDense）,在模型识别率上达到94%以上,相比LSTM有20%的提升,有效解决过拟合。