近年来,生物特征识别技术受到全世界各国的普遍关注,它在维护国家安全、个人信息安全、航空安全以及军事、医疗等方面均发挥着重要的作用,成为信息化时代的前沿热点课题。为了满足特殊应用场景的需求和弥补现有技术的不足,研究者们始终致力于开发新的生物特征,脑电是其中较为新颖的尝试之一。基于脑电的生物特征识别技术研究在国内外尚属起步阶段,在脑电诱发范式的设计、脑电特征提取以及模式识别算法等方面仍存在较大的探索空间。本研究从脑电的个体差异性出发,首先针对现有研究中脑电诱发范式相对单一的问题,设计并完成了涵盖多种脑电诱发范式的两类事件任务实验:第一类任务包括静息、视觉认知、计算任务和运动想象四种范式,样本量20人;第二类任务是视觉诱发P3范式,样本量8人。为了有效地提取脑电中的个体差异性信息,针对各范式诱发脑电的信号特点,研究中分别尝试了AR模型、时域能量谱、频域能量谱、相位锁定值以及相干平均等多种时域和频域的特征提取算法,并利用支持向量机对上述各种范式的脑电特征进行分类识别,从而得到基于全样本的统计分类正确率。本文研究结果表明,诱发脑电的个体差异性明显高于静息脑电,而且越是复杂任务的、被试参与度高的、与思维活动密切相关的范式,其诱发的脑电个体差异性越明显,分类正确率最高可达98%以上,从而验证了脑电可用于生物特征识别的可行性。在此基础上,为了进一步提高系统性能和识别效率,本研究在特征筛选和导联优化方面做了初步探索,并通过遗传算法、Fisher判别率和递归特征筛选三种方法对分类器进行了优化,与优化前相比不仅识别率有所提高,而且导联数得到明显简化,从而为今后脑电的个体差异性分析及其面向生物特征识别的实用性设计提供了新的思路。