脑-机接口是一种全新的信息交流和控制方式,它能提供人脑与计算机或其他电子设备之间直接交流和控制的通道。它不依赖于传统的外围神经和肌肉输出通道,是当前脑科学中研究的热点。脑-机接口的控制信号包括事件相关电位,感知运动节律,稳态视觉诱发电位,运动起始时刻视觉诱发电位,以及它们之间的混合信号。稳态视觉诱发电位因其具有高的信噪比、响应时间短,成为最为常用的控制信号之一被应用脑-机接口系统的设计和开发。基于稳态视觉诱发电位的脑-机接口的系统具有非常高的信息传输率、训练时间少,使得该类脑-机接口成为当前研究中热点。有效的频率识别方法对于开发高效的脑-机接口系统至关重要。本文将主要研究频率识别算法,主要内容和结果概括如下:1)提出了一种基于局部时间信息约束的多变量同步指数的频率识别新方法。该方法在协方差矩阵的建模过程中,引入Tukeys tricube加权函数,有效地利用了信号的局部时间信息。通过在真实脑电数据实验,结果证明提出的算法有效地改进了原始基于多变量同步指数的频率识别算法的性能。2)提出了一种新的融合典型相关系数的频率识别算法。对于多导脑电信号的分析,典型相关分析可以给出多个典型相关系数。在传统的基于典型相关分析的频率识别过程中,往往只选用最大的那个系数,丢弃其他的系数,在一定程度上损失可用于频率识别的有用信息。为此,我们提出一种融合所有典型相关系数进行分类的新算法,在公开的基准数据集上的实验结果表明该算法显著性地提高了原有基于典型相关算法的性能。3)提出了一种新的基于滤波器组技术的似然比检验算法。在信号处理领域中,滤波器组技术被广泛应用于处理和分析包含多个子带频率成分的信号,通过引入该技术能显著性地提高原有算法的性能。本文中,我们首次将滤波器组技术应用于基于似然比检验的算法,以进一步改进该算法的性能。通过在公开的基准数据集上的验证,基于滤波器组改进的算法显著性地提高了原始的似然比检验方法的分类正确率、信息传输率。