脑-机接口（Brain-Computer Interface,BCI）最早应用于医学康复领域,为神经功能损伤患者提供了一种有效的治疗手段。随着脑科学和信号处理技术的高速发展,BCI技术已经在医学、娱乐、交通和航天等多个领域取得了长足的进步,具有重要的应用价值和广阔的发展前景。能否简单方便地记录脑电信号（electroencephalography,EEG）,得到的EEG信号是否准确可靠,以及算法性能是否满足需求,都将直接影响到BCI技术的应用。因此研发出一套高性能的便携式BCI系统就显得尤为重要。然而,当前对于BCI系统的研究主要还停留在实验室阶段,通常使用的EEG信号采集设备存在体积较大、设计复杂、价格昂贵等问题,而且BCI系统在使用前需要进行长时间的校准。针对以上问题本文提出了一种无需进行长时间校准的便携式BCI系统的设计方案,研究内容主要包括基于迁移学习的运动想象分类方法,便携式EEG信号采集系统的研究与设计,BCI系统性能测试和运动想象BCI系统的性能测试。工作的具体内容如下:1)提出了一种基于判别迁移特征学习（discriminative transfer feature learning,DTFL）的运动想象分类方法,解决BCI系统的重校准问题,提高运动想象的分类正确率。由于运动想象的EEG信号具有非平稳性,跨时段采集的运动想象EEG信号之间会存在一定的分布差异,导致BCI系统在跨时段使用前需要进行长时间的校准,即需要重新采集训练数据对算法模型进行参数更新。为解决该问题,本文利用DTFL迁移学习方法减小采集于不同时段的数据之间的分布差异,进而提高运动想象的分类正确率。DTFL方法通过联合匹配源域和目标域之间的边缘分布和类条件分布来减少域间差异,同时最大化类间距离和最小化类内距离来保留类判别信息,从而提升运动想象的分类正确率。基于DTFL的运动想象分类方法无需目标域样本的类别信息,可以有效避免长时间的重校准工作。在两个运动想象公开数据集上的实验结果表明,基于DTFL的运动想象分类方法显著优于传统的运动想象分类方法,平均正确率分别提高了8.2%和8.0%,有效解决了BCI系统的重校准问题。2)设计了一款便携式的EEG信号采集系统,该系统包括EEG信号采集前端、上位机软件、干电极脑电帽。EEG信号采集前端实现了对多通道EEG信号的准确采集和实时传输,并且该设备的电源电路采用浮地设计,满足了医疗设备的安全性要求;上位机软件采用Py Qt5进行编写,能够实现EEG信号预处理、波形实时显示、数据储存、阻抗检测、运动想象实验引导等功能。与现有的EEG信号采集前端相比,该设备具有低功耗、低噪声、便携性、低成本以及安全可靠等优点,符合当前智能设备的发展趋势。由于常用的湿电极脑电帽在实验时需要注入导电凝胶来降低电极-皮肤的接触阻抗,使实验过程繁琐。为了解决该问题,本文设计了一款具有35个电极位点的干电极脑电帽,该脑电帽采用弹簧伸缩式设计,能够适应不同头型,并且具有佩戴方便、电极更换便捷和成本低廉等优点。3)基于前述运动想象分类方法和EEG信号采集系统的研究,设计和实现了一套高性能的运动想象BCI系统,该系统实现了8导EEG信号采集、预处理、运动想象特征提取和分类。开展了实验研究对所设计BCI系统性能进行了测试和评估。首先,对EEG信号采集前端的系统参考噪声、阻抗检测功能、信号采集功能进行了测试。实验结果显示,系统参考噪声的峰峰值小于1μV,并且系统可以准确可靠的检测出电极-皮肤的接触阻抗,而且阻抗值可降到20kohm以下。系统可以采集到准确有效的EEG信号。其次,对BCI系统的运动想象分类性能进行了评估,实验结果表明,系统采用本文提出的基于DTFL的运动想象分类方法进行分类,平均分类正确率达到了84.7%,相较于不采用迁移学习的传统分类方法,平均正确率提高了8.3%,验证了本文设计的便携式BCI系统的有效性。