脑机接口（brain-computer interface,BCI）系统是可以不依赖于外周神经和肌肉利用外部设备就可以达到和外界沟通交流目的的通信系统。它将大脑活动产生的脑电信号经过解析后转变成控制指令,从而通过控制外部设备实现与外界交流。本文基于黎曼流形,研究基于编码调制诱发电位（code-modulated visual evoked potential,c-VEP）BCI。在欧氏空间,c-VEP BCI通常使用典型相关分析（canonical correlation analysis,CCA）算法进行目标识别,获得了很高的分类识别率和信息传输率。本研究将该算法作为黎曼空间的对比算法,并对原始数据集的处理通过通道数、用于训练模板的实验数和数据长度三个参数进行优化。尽管黎曼空间在BCI研究中的发展历史较短,但它使得迁移学习（Transfer learning）得到成功应用,大大提升了BCI系统的性能。本研究介绍了如何在黎曼空间中对c-VEP数据进行处理。在预处理和欧氏空间相同的情况下,首先构建超级实验（super trial）,将所有类别的模板数据和需要进行分类的数据整合在一起;然后进行协方差估计;最后,再对不同的类别使用黎曼度量来计算类别的黎曼均值后,使用离均值最小距离（Minimum Distance to Mean,MDM）分类器进行分类识别。降维（Dimensionality reduction）不仅可以避免维数灾难、使数据更具有可分性,还可减少运行量并提高系统性能。本研究在不同空间对数据进行降维:1)在欧氏空间,使用空域滤波器对脑电数据进行空域滤波,将多通道数据降维为单通道数据;2)在黎曼空间,将协方差矩阵投影到正切空间再降维;或将数据从高维的黎曼流形投影到低维的黎曼流形。本文对降维后的测试数据进行分类,并将分类结果与传统方法的分类结果进行了对比分析。研究发现,当用于分类的通道数和数据长度分别为9个和3个周期长度时,受试者平均的分类识别率最高;在欧氏空间,使用30个左右训练实验时,分类结果最好。而在黎曼空间,选择22个训练实验时,分类结果最好。