运动想象脑机接口（Motor Imagery Brain Computer Interface,MI-BCI）通过对采集到的受试者的脑电信号进行解析,然后进行一系列模式识别来判断受试者的意图,并将意图用于控制假肢或者其他设备,对于使受试者重新与外界环境得以交互有着重要意义。脑电（Electroencephalogram,EEG）作为一种通用的非侵入式大脑信号采集方式,采集到的信号数据具有低信噪比、富含伪迹、低空间分辨率等特点。因此对运动想象EEG信号进行准确分类是运动想象脑机接口系统的关键。在MI-BCI中,共空间模式（Common Spatial Pattern,CSP）有着非常广泛的应用。CSP通过找到脑电信号的一组空间滤波器使得两类样本经空间滤波后方差有最大差异,从而求得高可分的频带能量特征。本文以时间和频率为两个着力点阐述了基于CSP的MI-EEG信号分类研究工作。在MI-BCI系统中,CSP算法所求特征的可分性受EEG信号的时间窗影响。由于受试者的大脑活动、神经反应速度等存在差异,使用一个固定的时间窗截取EEG信号进行特征提取并不合理。尽管一些研究针对该问题提出相关的解决方法,但大多数研究未考虑到时间窗尺度对MI-BCI系统性能的影响。因此本文结合了稀疏组LASSO提出了一种名为多尺度时间组共空间模式的方法,该方法从多个大小不同的时间窗中分别提取到对应特定受试者的CSP特征,并将该特征用于MI任务分类。实验结果表明,从多个尺度大小的时间窗中提取CSP特征并整合,能更准确地探测到EEG信号中的MI活动,从而提升MI-BCI系统的分类性能。除时间窗选择之外,另一个重要的问题是MI-EEG信号所处的频带。有研究指出,虽然人脑中MI活动会集中于某些特定频带,但有些受试者表现出EEG信号频带的大脑活动特异性。已有众多研究工作通过优化频带来提升MI-BCI系统的分类性能,然而,大多数工作忽略了相邻频带的相关性。本文结合了融合LASSO提出了频变约束稀疏共空间模式的方法,在约束相邻频带变化情况下来进行特征选择。实验表明,该方法对比其他同类方法在综合性能上有一定提升。