脑-机接口(brain-computer interface,BCI)是一种新的不依赖于外周神经和肌肉,与大脑直连的通信接口技术。诱发式BCI作为BCI领域的主要分支之一,其简单、高效和多目标的信息传输特点,已经引起了学者的广泛关注。但是近年来,尽管诱发式BCI技术的研究已经取得了较大进展,人机通信工效得到了显著提高,其系统的通信控制能力仍难以满足实际应用的需求。为了推动诱发式BCI向实用化的转变,本文以人机通信工效的提高为目标牵引,以基于事件相关电位(event-related potential,ERP)和稳态视觉诱发电位(steady-state visually evoked potential,SSVEP)的BCI系统为研究对象,分别在多模态刺激、多模态特征电位,以及被试对BCI操控任务的主观能动性三个方面展开了研究。主要成果如下:听触觉双模态刺激研究与非视觉ERP-BCI系统设计。为了验证多模态刺激对提高诱发式BCI性能的作用,本文提出了一种基于听觉和触觉刺激的双模态ERP-BCI方法。在该方法中,我们通过在同一方向上同时施加听觉和触觉随机刺激的方式,设计了一个方向一致双模态范式。由于该系统的操控不需要被试的视觉交互,故将其称之为非视觉BCI。为了提高系统在线性能,我们为每名被试选择了最佳EEG通道和最优的trial。实验结果表明所提出的双模态ERP-BCI相比于单模态的听觉和触觉ERP-BCI方法,在线平均ITR分别提高了45.43%和51.05%。据我们所知,在视线独立ERP-BCI研究中,我们所提出的双模态ERP-BCI系统达到了至今最高的在线ITR(10.77 bits/min)。该双模态ERP-BCI方法为非视觉BCI提供了一个新的研究方向。SSVEP-BCI的实时信息反馈与动态优化设计研究。为了提高系统性能,本文提出一种带实时信息反馈机制的动态优化SSVEP-BCI。在该方法中,我们首先基于实时目标识别结果设计了一种生物反馈机制,用于提高被试对目标刺激的注意力。其次,我们将行列(row/column,RC)范式引入到SSVEP-BCI中,采用6个频率的闪烁刺激,设计了一个36选项SSVEP-BCI拼写器。此外,我们设计了目标选择时间动态优化方法,并与固定优化方法进行了在线性能的对比。实验结果表明我们所提出的SSVEP-BCI拼写器的性能与传统方法相比有了显著的提高。具体地说,实时信息反馈通过增强被试对目标刺激的注意力,有效提高了拼写准确率。动态优化方法相比于固定优化达到了更高的PITR。基于P300与SSVEP的混合BCI研究与优化设计。在诱发式BCI研究领域,大多数研究仅集中在对单模态特征电位的分析识别上,系统性能正处于瓶颈状态。为了进一步提升BCI的性能,我们基于P300和SSVEP两种特征电位提出了三个混合BCI方法。具体内容如下:首先,我们论证了同时诱发P300与SSVEP特征电位的可行性,并将SSVEP特征引入P300拼写器,提出了一种新型的混合BCI方法。在该方法中,我们设计了一种由随机闪烁和周期闪烁构成的混合刺激机制。所述混合BCI拼写器中目标字符由三维时频信号的融合结果识别得到。实验结果表明,所述混合BCI拼写器的单trial在线拼写准确率达到了93.85%。这表明SSVEP特征的引入有效提高了P300拼写器的目标识别准确率,达到了更加准确、稳定的拼写效果。第二,为了提高拼写速度,我们采用P300和SSVEP平行输入的方式,提出一种新的快速混合BCI拼写方法。在该方法中,目标字符坐标由P300和SSVEP两个子拼写器同时输出的二维坐标确定。我们基于该方法设计了两种BCI拼写器范式:SL和RC范式。此外,我们设计了基于PITR曲线的最优trial优化选择方法。实验结果表明所提出的混合BCI方法相比于P300和SSVEP BCI,拼写速度有了明显的提高。其中,该混合BCI方法RC范式的平均PITR达到了53.06 bits/min。最后,为了达到P300和SSVEP特征信息更合理的运用,我们基于P300和SSVEP的得分融合提出了一种新的64选项混合BCI。在该方法中,我们将P300拼写器的RC范式和SSVEP-BCI的两步选择范式相结合,提出了两个混合BCI,即DRC和4-D范式。此外,我们提出了一种MPE融合方法用来实现P300和SSVEP得分级的信息融合。实验结果表明4-D混合范式相比于DRC范式性能更优越;MPE融合方法相比于其它四种常用的得分融合方法达到了更高的准确率。此外,13名被试中的12名采用4-D范式的单trial在线准确率均超过90%,而且平均准确率到达了95.18%。