近年来,随着科学技术的不断进步,脑-机接口(Brain-Computer Interface,BCI)系统的发展也迎来了加速的阶段。其中,基于稳态视觉诱发电位(Steady State Visual Evoked Potentials,SSVEP)的脑-机接口受到广泛关注,也成为了研究的热点。基于SSVEP信号的脑-机接口系统具有使用方法简便,训练时间少,信息传输率(Information Transfer Rate,ITR)高以及效果稳定等特点。它可以通过外部视觉刺激,在大脑皮层产生特征性的,有节律性的信号,具有良好的稳定性和连续性,可以被用于信号的识别与计算。由于SSVEP信号在激励频率处的功率谱分量很强,利用功率谱分析方法、典型相关分析(Canonical Correlation Analysis,CCA)等方法可以提取出重要的特征,这使得SSVEP信号在BCI系统中得到了广泛的应用。然而,对于BCI系统来说,信号的准确性、实时性和稳定性都需要得到保证,才能确保系统的正常运行,因此这对SSVEP信号的质量提出了更高的要求。如何准确地在线分析SSVEP信号的特性,设计出基于SSVEP信号的实时稳定的在线BCI系统,是当前BCI系统研究的关键内容之一。如何选择目标识别方法,设置何种参数,对于目标识别的结果有十分重要的影响。因此,比较不同算法的优劣对于BCI系统的研发具有重要意义。本文总结了 SSVEP信号的采集方法,研究了影响信号质量的因素,从诱发视觉响应的外部设备、光线频率和光线颜色等方面入手,总结了获得更良好信号的方法。其次,文章通过对脑电信号用不同方法进行离线分析,通过比较不同方法、的识别效果,提出了似然比检验方法的优势,并且确定了似然比检验在实际应用中的可行性。另外,本文着重比较了基于CCA的不同算法之间的性能,主要从算法的正确率、信息传输率和算法的运行时间等方面进行分析。通过比较结果,总结了不同算法的特点,为实际应用中算法的选择提供了参考,并且为以后算法的改进方向提供了一定指导。