近年来，脑-机接口（Brain Computer Interface，BCI）技术得到了快速的发展，研究群体和组织也迅速壮大。脑-机接口技术是通过采集和分析人脑生物电信号，在人脑与计算机或其它电子设备之间建立起直接交流和控制的通道，这样人就可以直接通过大脑来表达意愿或操纵设备，而不需要语言或肢体动作。脑-机接口技术的关键是有效检测出反映用户主观意图的脑电（Electroencephalography，EEG）成分，并将它翻译为外部控制命令。　　 N170成分是事件相关电位（Event-Related Potential，ERP）中与而孔识别相关的特异性认知成分。通常在而孔图片视觉刺激呈现后150到180毫秒之间，ERP信号中会出现一个明显的负波，在170ms左右达到波峰，它的波幅总是比以同等方式呈现的其他非面孔图片视觉刺激引起的波幅大得多。　　 本研究中探讨了基于N170成分来进行人脸识别的脑-机接口系统，而基于N170成分的脑-机接口系统中信号处理的核心问题是N170成分的检测方法，即确定单次脑电数据中是否存在N170成分。本文主要研究了单次（single-trial）脑电中N170成分的检测方法，在N170成分的离线（off-line）检测方法的基础上，研究了在线（on-line）的N170检测方法。　　 首先，N170成分的离线检测算法中采用了基于共空域模式（Common Spatial Pattern，CSP）的特征提取和支持向量机（Support Vector machine，SVM）的特征分类方法。同一个被试的多次实验结果表明，CSP能提取两类数据的差异特征，通过选取合适的时空域特征，单次EEG中N170成分检测的最高准确率能达到93．75％，充分说明N170成分的时空域特征比较稳定，适于BCI系统的进一步应用。　　 其次，针对脑电信号的时变性和脑-机接口系统中在线信号处理的需求，本文研究了自适应的N170在线检测方法，即基于共空域模式的增量特征提取算法（Incremental CSP）和自适应的二次判别分析（Adaptive QDA）方法。该在线处理方法能根据当前脑电数据的时空特征进行参数的自动调整，且算法采用增量方法实现，能满足在线系统的实时要求，为在线系统的实现提供了算法基础。此外，本研究中还引入了通道自动挑选算法，即基于Fisher准则的通道选择和基于方差最大准则的通道选择方法，这样既可以有效的利用脑电信息，又可以减少数据处理的计算量。结果表明，自适应的信号处理效果更显著，准确率能提高5％-10％。　　 最后讨论了本研究中两种检测方法的结果和优劣势，并提出了今后的研究方向。