脑机接口(Brain-computer Interface,BCI)能够提供一种模拟外周神经控制肌肉组织的系统,将从人体头皮采集到的脑电信号(Electroencephalography,EEG)解码为控制信号,进而为运动功能障碍的残疾人提供一条与外界环境交流的通道,或者对外部设备进行控制帮助其实现部分肢体功能。这种新型交互系统是神经工程领域优先发展和重点研发的前沿热点,具有重要的科学意义和应用前景。脑机接口应用于医疗康复已有数十年的历史,但是由于脑机接口系统的训练模型需要大量的样本数据,被试人员长时间训练会产生疲劳感,进而影响信号的质量。这些问题严重约束了其进一步的发展,尤其是基于运动想象的脑机接口。为解决上述问题,本文提出了用于解决训练样本不足的,脑电信号非线性不平稳的迁移学习算法。首先,针对实验对象训练样本不足的问题,提出一种基于共空间模式(Common Spatial Pattern,CSP)的协方差矩阵加权方法。将现有的其它被试人员数据与目标被试训练数据的相似度作为权重,对目标被试的CSP特征矩阵进行加权复合处理,更新特征数据,将目标被试的数据与补充训练数据进行结合,实现同任务的其他被试的数据迁移,以达到减少训练样本的目的。然后,针对脑电信号非线性不平稳的问题,提出基于领域分布自适应的特征迁移方法,将其应用到运动想象数据分类中。由于实验对象容易受到自身精神状态和环境的影响,造成脑电信号数据分布变化,不同被试之间差异较大,无法直接添加源域数据进行训练。使用变换矩阵将特征数据映射到一个新的特征空间中,使映射后的源域和目标域数据的边缘分布和条件分布接近,以达到特征共享的目的。结果表明,提出的方法在一定程度上有助于提高被试人员的运动想象的分类正确率。通过使用其他被试的实验数据,减少目标被试训练分类模型的所需训练数据,提升了分类准确率,表明迁移学习算法相较于传统的机器学习方法具备更好的适应特性。