随着科学技术的快速发展以及人工智能时代的到来,脑电信号(Electroencephalogram,EEG)的应用领域日益壮大。近年来,EEG中的P300成分以其成分特征鲜明、无需预先训练等优点成为了脑机接口(Brain Computer Interface,BCI)技术、心理学测谎研究以及脑部疾病诊断等领域中的一大研究热点。P300-EEG处理流程通常包括预处理、特征提取和分类三个部分。本文着重研究P300-EEG的处理方法,针对P300-EEG信噪比低、噪声干扰种类多的问题,以及传统分析方法仅考虑其单一维度特征导致分类准确率低的不足,提出了基于P300-EEG分类的多域融合技术,完成它需要两大部分工作。第一部分完成了原始信号的多域预处理,是为了解决信号中混叠多种噪声干扰而影响信号分析效果的问题。构建时频域+空域+时域的预处理模型,通过希尔伯特-黄变换(Hilbert-Huang transform,HHT)去除高频噪声干扰,在提高信噪比的同时保留了原始信号的波形特征;通过Winsorize算法改进独立成分分析(Independent component analysis,ICA)算法去除异常幅值干扰,相比于未改进的ICA算法,本文提出的方法获得了更高的相关系数。第二部分完成了去噪信号的多域特征提取,是为了解决原始特征维度高、单一种类特征无法准确表达信号本质特性的问题。构建时域+频域+时频域+空域的特征提取模型,通过求取时域能量熵获得P300-EEG的时域特征;求取功率谱密度获取频域特征;求取小波低频近似系数获取时频联合域特征;求取不同种类信号的方差信息获取空域特征。多种特征经过串行融合形成了多域特征集合,在全方位表征P300-EEG本质特性的同时降低了特征维度。整体工作以支持向量机(Support Vector Machine,SVM)的分类结果为度量,分别求取多域特征集合与单一种类特征下的分类准确率,验证了多域融合技术在P300脑电信号分类中的优越性。在基于多域融合的P300字符拼写研究中,经过多域融合技术处理后,两名被试者在4个电极5次叠加平均的情况下便能够得到85%以上的分类准确率,相比于传统方法取得的分类结果有着显著提高。而在基于多域融合的P300测谎研究中,所提方法能够获得96.75%的说谎者P300-EEG分类准确率和97.46%的无辜者非P300-EEG分类准确率。相关实验结果表明,使用多域融合技术能有效地处理P300脑电信号,相比传统的处理方法具有更大的优越性,为后续的脑电信号研究提供了参考和帮助。