近年来脑-机接口（Brain-computer interface,BCI）系统应用发展迅速。其中,基于稳态视觉诱发电位（Steady-state visual evoked potential,SSVEP）的BCI系统以较短的训练时间便可获得较高的分类准确率和信息传输速率,受到广泛关注。由于SSVEP的主要响应区域位于大脑视觉皮层,基于SSVEP的BCI系统通常将电极放置在有头发覆盖的枕部采集脑电信号（Electroencephalogram,EEG）。这种信号采集方式需要较繁琐的过程,不利于BCI系统的实际应用。有研究提出基于无发区域的SSVEP来实现BCI系统,以增强其实用性。然而,从无发区域采集的SSVEP响应幅度小,其BCI系统的分类准确率较低。本文针对上述问题,研究耳周无发区域SSVEP的个性化刺激方式及分类算法,并结合眼电信号（Electrooculogram,EOG）实现了基于耳周SSVEP的异步BCI系统。本文的主要工作包括:（1）提出了基于个性化刺激频率的耳周SSVEP诱发策略,根据6～40Hz范围内不同频率刺激下耳周SSVEP的响应幅度值和信噪比,为受试者选择个性化的刺激频率。与使用通用刺激频率相比,基于个性化刺激频率诱发耳周SSVEP有利于BCI系统提取其响应特征,任务相关成分分析算法对耳周SSVEP的平均分类准确率显著提高,在3 s识别时间窗下达到83.85%。（2）提出了基于多参考信号与多次试验信号的典型相关分析算法,通过利用多次试验的EEG信号分别与基于正弦-余弦的参考信号和基于SSVEP训练数据的参考信号估计空域滤波器,并将其用于测试信号的特征提取。在实验内的验证方式下,该分类方法显著提高对耳周SSVEP的分类准确率,在3 s识别时间窗下达到90.89%。此外,提出了基于集成学习的EEGNet模型,通过结合多个基模型提取的特征以提高分类性能。在跨实验的验证方式下,该模型显著提高了对以异步方式处理的耳周SSVEP的分类准确率,在3 s识别时间窗下达到89.0%。（3）提出了基于EOG和耳周SSVEP的异步BCI系统,实现了对机械臂的控制,可完成对目标物的抓举和放置任务。针对同步BCI系统中受试者无法自主切换控制和空闲状态的问题,提出利用连续三次眨眼的EOG信号作为异步开关,结合耳周SSVEP实现基于无发区域的异步BCI系统,并采用单眨右眼的EOG信号作为取消命令。该系统异步开关的误激活率为0.01/min,识别取消命令的真阳性率为93.5%,对耳周SSVEP的分类准确率为86.38%。