稳态视觉诱发电位（Steady state visually evoked potential,SSVEP）是常见的脑机接口（Brain Computer Interface,BCI）范式,它是当人体收到固定的闪烁频率刺激后,在大脑后枕部区域产生的与刺激频率相关的一种EEG信号,其频率和刺激目标闪烁频率及谐波频率高度相关。由于其采集方便、信息传输率高等特点,SSVEP受到了研究人员的广泛关注。为了提升神经网络解码SSVEP信号在少量用户数据集下的性能,本文主要工作如下:1)提出了一种基于紧凑神经网络的多任务模型。虽然传统机器学习算法已经取得了良好性能,但为了进一步提取SSVEP信号中更复杂的非线性特征,研究人员开始将视线转移到神经网络模型上。但是由于SSVEP数据集较小,现有的模型难以学习到一些有效的特征。为了使神经网络能够更有效的提取SSVEP信号的特征,本文基于紧凑神经网络提出了一种多任务模型:MT-EEGNet。该模型通过增加一个分类辅助任务,同时增加一个相关性约束的辅助任务以约束分类辅助任务与主任务之间的特征层提取的特征尽可能相似,强化了模型中间层的特征提取能力。并且在公开数据集和实验室采集的数据集上对MT-EEGNet与主流方法在跨被试条件和非跨被试条件下进行了性能评估。结果表明本文提出的MT-EEGNet模型有效增强了模型中间层的特征提取能力,进而提升了模型的整体性能。2)提出了一种基于紧凑神经网络的跨多刺激目标融合模型。为了进一步提取谐波信息和跨刺激目标信息,本文提出了一种基于紧凑神经网络的跨多刺激目标融合模型:FB-EEGNet。该模型通过修改输出标签给予非注视目标一定的概率权重,并且通过分阶段训练来保证网络可以有效提取多频段的信息,同时防止模型过拟合。为了评估该模型的性能,本文将FB-EEGNet与一些主流方法在公开数据集和实验室采集的数据集上进行了跨被试与非跨被试条件下的性能评估。结果证明了我们的方法有效的提取了多频段和非注视目标刺激的信息。3)设计并实现了一个基于SSVEP的手部外骨骼控制系统。通过迁移学习的方法使得该在线外骨骼控制系统只需要采集少量的用户数据就可以使用。通过在线有提示和无提示实验验证了该系统的最终性能,证明了该系统只需要使用少量的用户数据来训练模型就可以获得与非跨被试系统非常接近的性能。