脑-机接口（Brain-Computer Interface,BCI）是一种不依赖于外围神经和肌肉组织,通过采集和分析脑电波来实现人与外部环境直接交互的技术。BCI已在医学诊断、残疾辅助、智能家居和生活娱乐等多个领域中得到了广泛应用。近年来,采用柔和刺激范式来获取脑电信号（Electroencephalograph,EEG）的基于稳态运动视觉诱发电位（Steady State Motion Visual Evoked Potential,SSMVEP）的BCI在应用中得到了广泛关注。本文设计实现了一种SSMVEP刺激范式,并验证了其在BCI系统中的可行性及实用性。另一方面,随着BCI研究的深入,“BCI文盲（BCI Illiteracy）”问题逐渐凸显。为了提升不同被试的脑电信号分类准确率,理解并改善“BCI文盲”问题,本文基于BCI系统,对SSMVEP脑电信号进行了深入分析和分类研究,主要工作如下:1)本文设计实现了环形运动棋盘格范式,构建了视觉刺激界面,并通过在线实验完成了对刺激界面的验证,验证结果表明所设计实现的刺激界面能够顺利诱发相应的SSMVEP信号。在此基础上,本文设计并实施了EEG采集实验,完成了对脑电正常被试（EEG literate）和脑电文盲被试（EEG illiterate）两组被试的SSMVEP脑电信号采集。2)本文通过对两组被试脑电信号的分析,验证了个体差异在SSMVEP分类任务中的影响。同时发展了多元加权递归网络方法,基于SSMVEP信号构建了多元加权递归脑网络,并以加权局部效率和加权平均聚集系数两个指标对脑网络进行刻画,进而从复杂网络的角度探索了脑电文盲被试在BCI应用中表现不佳的脑认知行为机理和深层原因。这一方法为SSMVEP信号分析和“BCI文盲”问题探索提供了新的思路和途径。3)本文结合卷积神经网络（CNN）和长短期记忆网络（LSTM）构建了一种多域神经网络模型,实现了对SSMVEP信号时域、频域和空间域上多种特征的提取和融合,并将之应用于SSMVEP信号的分类识别研究中,结果表明相较于传统方法可以提升包括脑电文盲被试在内的所有被试的SSMVEP信号分类准确率,在一定程度上增强了基于SSMVEP的BCI系统的鲁棒性和普适性。