脑-机接口（Brain-computer Interface,BCI）作为一种先进的人-机智能交互方式,存在巨大的应用潜力。尤其是基于运动想象（Motor Imagery,MI）的BCI,其打破对外部刺激的依赖,进而实现主动式交互控制,在未来特种场景的静默通讯中发挥关键优势。但目前MI-BCI仍存在可识别指令集少、识别精度低等挑战。协同脑-机接口（collaborative BCI,cBCI）作为一种群体交互状态下的联合作业方式,可充分发挥集体智慧优势。因此,围绕MI-BCI的应用瓶颈,本研究将cBCI的协同策略融入MI-BCI中,旨在提高系统的识别精度,进而提升MI-BCI在高精尖作业中的任务表现,突破其在医疗决策、国防军事等领域的应用限制。本研究围绕运动想象范式,设计了手、足及协同参与的六类想象动作模式,利用事件相关谱扰动（Event-related Spectral Perturbation,ERSP）分析了各类想象动作模式诱发的事件相关去同步（Event-related Desynchronization,ERD）时频特性和脑区分布。然后探究了MI-cBCI系统的融合策略、群体规模和解码时间对系统分类性能的影响。结果表明,群体信息融合下的分类效果显著优于单用户的平均水平,且决策融合方法要优于特征融合。通过最大相对增益确定了系统的最适群体规模为4,系统在最适群体规模下决策融合方法的6指令分类正确率达77.58%,较特征融合方法提高了20.90%,且比单用户的平均水平提高了32.68%。最后,本研究进一步尝试了MI-cBCI在线反馈实验,简化冗余通道,明确群体组建原则,对比高、中、低三种任务水平群体的分类正确率在个体与群体之间的差异。结果表明,群体交互状态下决策融合可有效改善MI-BCI系统的分类性能,高任务水平群体决策融合方法下的分类正确率可达81.25%,比平均水平提高了32.14%。研究表明,决策融合方法能够有效提高群体MI任务中指令的识别精度,显示了该融合方法在多指令复杂场景中的应用潜力。本研究将MI的范式优势与cBCI的协同策略相结合,以分类正确率为参考标准展开系统性研究。初步实现了手、足及协同参与的6指令任务模式在线识别,提高了MI-BCI的系统性能,明确了MI-cBCI系统优化方向,克服了现有cBCI的应用限制,为人-机智能交互的实用化发展提供了关键技术支持与方法依据。