诱发电位(EP)的检测与分析技术是临床医学诊断神经系统损伤及病变的重要手段之一。然而，由测量直接得到的EP信号完全湮没在脑电图(EEG)等噪声中，信噪比低于-10dB，有时甚至低至-20dB。另外，EP信号具有一定的时变性和空间特性，因此单导EP信号的少次提取甚至单次提取已经成为脑电信号处理的一项前沿课题。本文深入研究了基于径向基函数神经网络(RBFNN)的EP信号提取方法以及基于观测模型的EP信号提取方法。基于RBFNN的EP信号提取方法利用RBFNN来模拟神经系统的非线性特性，从而实现EP信号的提取。仿真结果表明基于RBFNN的EP信号提取方法能够在一定程度上实现单导EP信号的少次提取。基于模型的EP信号提取方法利用有关纯净EP信号的先验知识，采用事先选定的基向量的加权和来对纯净EP信号建模，并通过各种估计算法对基向量的权值进行估计。本文主要研究并仿真实现了用于EP信号提取的基于RBFNN的自适应噪声抵消方法、RBFNN滤波方法以及基于线性观测模型的子空间正则化方法、最小均方方法、递归最小二乘方法和卡尔曼滤波方法，并分析了这些方法对不同条件下EP信号提取的性能。研究表明，在描述带噪EP信号时，α稳定分布模型比常规的高斯模型具有更好的适用性。理论分析以及仿真实验表明，在对α稳定分布噪声条件下的EP信号提取时，RBFNN滤波方法以及基于二阶统计量的观测模型方法的性能严重退化。本文提出了改进的RBFNN滤波方法以及改进的观测模型方法。改进的RBFNN滤波方法采用基于最小分散系数准则的最小p范数迭代算法调整网络输出层的权值。在对α稳定分布噪声条件下EP信号提取时，该算法能够更好地收敛。改进的观测模型方法引入非线性变换，通过非线性变换有效地抑制了脉冲噪声对算法收敛性的影响。理论分析和仿真结果表明，在对高斯噪声和分数低阶噪声条件下的EP信号提取时，改进的RBFNN滤波方法以及改进的观测模型方法具有更好的韧性。