视觉诱发电位(Visual Evoked Potentials, VEP)能够反映人体视觉通路是否存在病变,在临床上是检测视通路疾病的一种高效、简单的手段。采用传统的叠加平均法对电位进行提取时,常为获得一个理想的电位,对结果进行上千次的叠加。而反复的刺激容易引起患者神经系统的疲劳和诱发电位的变异,难以获得理想的信号质量。因此近年来,如何通过降低刺激次数、缩短测量时间、更加便捷、有效的提高信号的信噪比和识别能力成为众多学者研究的主要内容。进一步的实现诱发电位的实时跟踪以及分类识别也成为研究热点。在信号滤波方面,从子空间法、主成分分析法到近代的小波分析、独立分量分析算法、自适应滤波器等等,经过研究人员的实验与仿真,相继被运用在诱发电位提取中,并根据各种方法的优缺点,合理有效的综合两种或两种以上的方法进行信号提取,获得了不错的提取效果。在信号的分类识别方面,神经网络分类法、决策树分类器、线性判别分析、支持向量机分类器、K-近邻分类器等方法也被很好的运用在针对大脑的生物信号识别中。本课题针对VEP信号的特点,首先在传统自适应噪声抵消器的基础上,对数据进行预处理,根据自适应滤波原理,采用快速收敛的递推最小二乘(RLS)算法,将VEP信号从自发脑电的背景中分离出来；接着利用小波阈值去噪对分离结果进行进一步滤波,以小波去相关性白噪声检验法确定最优分解层数,合理调整阈值处理方法,经改进的阈值函数处理后使信号获得了更好的视觉效果。进而为实现正常与异常的VEP信号的分类识别,以白内障患者的VEP信号作为异常信号源,根据VEP中最具代表性的P100波形特性,利用小波多尺度分解,选取尺度能量及各尺度小波系数均值作为特征参数,构造特征向量送到支持向量机分类器进行训练和分类,讨论不同的核函数及样本集数量对分类准确率的影响,并采用交叉验证法进行参数寻优以提高分类器的准确率。