脑机接口（Brain-computer Interface,BCI）技术为严重运动神经元损伤患者提供了一种不依赖于正常外周神经或肌肉通路的通信途径。其中,基于稳态视觉诱发电位（Steadystate Visual Evoked Potential,SSVEP）的脑机接口系统具有高准确率、高信息传输速率以及高信噪比的特点,因此具有很高的研究与应用价值。然而,现有SSVEP型BCI相关研究仍旧存在一些不足之处。其一,现有SSVEP视觉刺激编码所使用刺激频率较多,分类较为困难;其二,现有SSVEP信号解码方法无法同时满足BCI系统高准确率与“即插即用”的设计需求。因此,本研究尝试从SSVEP刺激编码与信号解码两方面入手,对SSVEP型多输出BCI的系统设计与分类算法进行优化,并取得了如下研究成果:1)在SSVEP刺激编码方面,提出了众数时频编码方法（Mode based Time-frequency Coding,MTFC）。该方法采用基于众数的分类决策机制,克服了传统时频编码方法中由各时间分段准确率累乘所导致的单试次准确率下降的问题。同时,MTFC方法又保留了时频编码方法的少频率编码特性,其仅需4种刺激频率即可实现48种指令编码。本研究基于该编码方法设计了一个48键位SSVEP型BCI拼写系统,并将其与使用传统多频顺序编码（Multiple Frequencies Sequential Coding,MFSC）方法设计的BCI系统进行对比。实验结果显示,在使用相同分类算法的情况下,基于MTFC方法的BCI系统准确率比基于MFSC方法设计的BCI系统准确率高6%。2)在SSVEP信号解码方面,提出了一种结合滤波器组典型相关分析（filter bank canonical correlation analysis,FBCCA）以及时空波束形成器（spatiotemporal beamforming,STBF）二者优点的新算法,并将其命名为FBCCA+STBF算法。FBCCA+STBF算法继承了FBCCA算法无训练的优点,由此所设计的SSVEP型BCI系统无需设置校准环节用于模型训练数据收集。此外,FBCCA+STBF算法分类准确率又能够与有训练的STBF算法保持在相同水平。实验结果显示,FBCCA+STBF算法分类准确率可达78.7%,比FBCCA算法高4.4%。综上,本研究所提出的众数时频编码方法与FBCCA+STBF算法,从编码与解码两个方面提升了SSVEP型多输出BCI系统性能。基于众数时频编码方法与FBCCA+STBF算法所设计的48键位SSVEP拼写系统兼具高准确率与“即插即用”的特点。