A　variety　of　experimental　paradigms　have　been　proposed　in　the　field　of　Brain-Computer　Interface(BCI).　Among　them,　the　P300　speller　allows　participators　to　input　characters　to　a　computer　directly　from　their　own　brains.　Estimating　available　features　of　P300　from　raw　electroencephalogram(EEG)　is　a　key　step　of　implementing　P300　speller.　In　this　paper,　a　novel　combination　of　Autoregressive　model　and　sparse　Wavelet　representation　is　proposed　to　estimate　the　P300　features　in　raw　EEG　acquired　from　the　P300　speller　experiments.　Instead　of　superposition,　the　P300　features　are　estimated　from　raw　EEG　of　single　trial　in　this　way.　By　introducing　this　method　to　process　signals　for　BCI,　the　number　of　repeated　trials　may　be　reduced　so　that　the　information　transfer　rate　of　P300　speller　could　be　remarkably　improved.　The　proposed　approach　was　tested　in　off-line　data.　The　results　show　that　the　number　of　repeated　trials　for　a　wanted　character　could　be　reduced　to　4　in　general　when　the　feature　estimation　method　is　used　together　with　the　linear　discriminant　functions.