脑电是在大脑皮层中形成的能够反映脑神经细胞电生理活动的信号，通过分析脑电信号，我们可以判断其生理活动和大脑意识。从而，可以直接将大脑信号转换为对外部设备的控制信号，不需要通过正常的外周神经和肌肉组织即可实现与外界的交流与控制，即所谓的脑机接口（Brain-Computer Interface, BCI）。作为一种全新的交流工具，脑机接口受到广泛关注，并在各行各业中取得众多应用价值。其中，以基于运动想象的脑电信号为基础的BCI研究最具典型。通过分析运动想象时的事件相关同步和去同步特征，可以判断左右两侧肢体运动状态。然而，在运动想象脑电信号识别中最根本的问题是需要一个高效的特征提取和分类算法。本文在传统的共用空间模式（CSP）算法基础上，针对其对于小样本训练数据的缺点，提出一种基于正则化的CSP，使之有效的利用多位实验者的实验数据，弥补数据不足的缺陷。除此之外，针对对左右两类运动想象脑电信号进行分类的特点，本文设计了利用测试样本的表征系数来判断所属类型的方法，即稀疏表征分类方法。并将其与正则化的CSP相结合，比较分析其与传统CSP和传统线性判别分类方法的异同。通过在BCI Competition III（dateset IVa）数据集上的一系列实验发现，本文提出的基于正则化CSP比传统的CSP在处理小样本数据上更为有效。实验结果还表明对于某些复杂的分类问题，稀疏表征表现的比线性判别更为有利。