图像检索是对特定图像的识别和筛选。与人类视觉相比,机器视觉容易受到图像背景复杂和语义鸿沟等因素的影响,难以获得准确的图像识别结果,适应性较差。人脑是人类长期进化的结果,其信息处理通道具有鲁棒可靠的特点,因此,融合人脑智能和机器智能进行图像检索是该领域一个新的研究热点。目前,基于脑电的图像检索大都采用快速序列图像呈现范式,通过检测目标图像诱发的特异脑电成分P300来实现目标图像的快速检测。因而,脑电P300成分检测是其核心和关键问题。本课题将从P300成分的特点入手,重点分析其变化规律,并在此基础上,从检测算法、实验范式等方面研究如何进一步提高P300成分检测的精度和效率,从而提升基于脑电的图像检索的效能。主要研究工作如下:1、针对P300成分潜伏期抖动问题,基于空-时间滤波的检测算法是目前较有效的方法,其中具有代表性的是HDCA算法与sHDCA算法。然而,HDCA算法采用固定时间窗口的策略,难以自适应P300成分潜伏期的变化,而sHDCA算法虽采用滑动窗口的策略,可以较好的适应P300潜伏期抖动,但其计算量较大,无法在实时系统中应用。针对这两种算法存在的问题,本课题提出一种采用前向折叠策略的fHDCA算法,该方法采用固定时间窗口策略,同时在每个时间窗口空间滤波器的计算中引入之前时间窗口的信息,从而可以较好的适应P300潜伏期的变化。实验表明fHDCA算法可以达到sHDCA算法的识别精度,且其算法复杂度与HDCA算法同一级别,可以满足基于单试次P300检测的实时应用。2、在分析P300潜伏期抖动原因的过程,我们发现对于不同复杂度的图像,其所对应的脑信号响应模式和诱发的P300成分是存在差异性的。相对于低复杂度的图像,高复杂度的图像所诱发的P300成分潜伏期更长。因此,为适应P300潜伏期随图像复杂度变化的规律,本课题提出一种基于图像复杂度先验的P300探测算法(TRICP)。该方法通过机器视觉对刺激图像的复杂度进行评估,来预判所诱发的P300成分潜伏期的可能范围,并有针对性的调整分类器,以达到更好的检测精度。实验结果表明,该方法可以较好的适应因图像复杂度变化引起的P300潜伏期变化,从而可以更进一步地提高基于单试次P300的目标检测算法的精度。同时,该方法也为融合人类智能和机器智能提供了一种新的途径。3、相对于单试次P300成分的检测,多试次P300检测算法具有更好的性能。但如果在标准RSVP范式中采用多试次P300检测,则意味着无法保证系统的实时性。针对这个问题,本课题验证了双重RSVP范式在基于脑电的图像检索中应用的有效性,并进一步提出一种triple-RSVP范式。实验表明在dual-RSVP范式与triple-RSVP范式中,被试可以取得更高的目标识别精度。在此基础上,本课题构建了用于目标图像检索的多重RSVP框架,并系统分析了多重RSVP范式的优点与局限性,为基于脑电的目标图像检索技术提供了一个新的实验框架。