近十几年来,脑机接口(brain-computer interfaces,BCI)技术的研究引起了世界范围的关注,并且得到迅速的发展。它是一项交互技术,旨在识别用户的大脑意图并转化为一组特殊的指令以便控制现实世界设备。脑电图信号(electroencephalography,EEG)是BCI中应用最广泛的非侵入性成像技术之一,这种基于EEG的脑机接口系统可以替代受损神经并提供一种新的通信方式。脑机接口系统通常需要采集大量受试者有标签的训练数据来构建分类器模型,并且假设训练数据和测试数据在相同的特征空间中,服从相同的统计分布。然而,由于EEG信号具有非平稳特性,数据的分布可能不同。因为BCI系统主要应用于医疗康复领域,获取同一受试者大量数据往往难以实现,而不同受试者之间存在个体差异,无法直接利用其他受试者的数据。这些问题不仅影响到系统的性能,还限制了其应用范围。运动想象脑电信号是脑机接口系统中常用的控制信号,本文在传统运动想象脑电信号处理方法的基础上,将迁移学习的思想应用于运动想象脑电信号的分类,并提出了两种迁移学习算法以解决传统脑机接口系统的局限性。本文具体研究工作如下。本文在子空间对齐基础上提出样本加权方法,根据样本特征的相似度对源领域样本赋予不同的权重,生成加权源领域子空间与目标领域子空间对齐。考虑到脑电信号非线性的影响,提出了通过非线性映射将原数据转换到高维空间中再进行子空间对齐的方法,并推导了算法的可行性。最后设计两个实验,不同时期以及不同受试者的脑电数据迁移验证了算法的有效性。本文提出基于共同空间模式的迁移学习算法,结合了复合共同空间模式和自适应的方法,通过计算实验样本之间的相似度选择样本更新协方差矩阵,重新构建空域滤波器以提取用于分类的特征,从而提高分类器的性能。最后设计实验,在公开的脑电数据集中验证了算法的有效性。