脑机接口系统（BCI）为大脑与外界环境的信息交流开辟了一条新的通道,帮助患有脑部损伤的人士获得了更好的康复机会。目前,越来越多的研究小组已投入BCI的研究中。本文选择基于稳态视觉诱发电位的脑机接口（SSVEP-BCI）作为研究对象,它具有响应时间短、训练次数少、信息传输率高等优点。在具体的研究内容方面,本文选择SSVEP-BCI信号处理算法进行研究。虽然经过多年的研究,SSVEP-BCI的信号处理算法已取得较大的发展,然而在某些方面仍有进一步提升的空间。本文首先在查阅大量相关文献的基础上,分析了 SSVEP-BCI信号处理算法的研究意义与研究现状,而后分别从眼电伪迹去除和信号频率识别两个方面展开研究工作:（1）在眼电伪迹去除的研究中,首先选用眼电伪迹（EOG）去除领域的经典方法,建立基于经验模态分解（EMD）和独立分量分析（ICA）的EOG去除模型,并对该模型进行了仿真验证,而后引入目前尚未见报导用于EOG去除的变分模态分解（VMD）作为改进方法,提出基于VMD和ICA的EOG去除模型,进行多次的仿真实验,对比基于EMD和ICA、基于VMD和ICA两种不同方法的伪迹去除效果,从而证明VMD算法的可行性及相比EMD算法的优势。（2）在信号频率识别的研究中,首先对典型相关分析（CCA）的经典方法进行了论述,在此基础上引入共空间模式算法（CSP）,从机器学习的思想入手,对CCA模块得到的特征向量与CSP模块得到的特征向量进行叠加并分类,通过仿真实验验证了改进方法的有效性。同时,鉴于CSP算法随着目标刺激频率个数的增加会导致计算量的增加,从K-means聚类分析的角度进行研究,首先求得数据集中所有样本的相关系数向量的聚类质心,而后通过求相关系数与聚类质心的距离改进原有方法,通过仿真对改进方法的思想进行了验证。