脑机接口提供了一种可以绕开神经系统和肌肉组织,直接与外界进行联系的通道,在医疗,通信,控制,娱乐等方面具有非常广阔的应用前景。然而,由于脑电信号具有非平稳特性,用户使用前,需要进行大量的训练,这大大限制了脑机接口的应用。本文的主要工作是以运动想象脑电数据作为研究对象,在特征提取,特征融合和分类器设计三个层面,分析用户之间的共性和差异,研究利用用户数据样本之间的共性,减小用户数据之间差异,结合迁移学习和半监督学习方法,实现应用已有用户的数据,提取稳态共性特征,训练出高性能的稳态跨用户的模型,使得在目标用户上无需有标签数据,也能达到很高的分类性能,最终实现零训练的运动想象脑机接口。本文的工作和创新性主要是如下几个方面。1)为克服在零样本条件下常规共同空间模式（Common Spatial Pattern,CSP）算法无法有效工作的问题,研究不同运动想象用户的CSP滤波器的差异和共性,应用聚类方法,提出了一种应用源用户数据提取跨用户的共性空间滤波器的方法,随后用这种共性空间滤波器提取稳态特征,通过实验验证,提取的稳态共性空间滤波器具有很好的跨用户分类性能,能将不同用户的数据融合在共同的空间中;同时融合迁移学习和半监督学习方法,提出了一种分类器算法Semi-Tr SVM,在不需要目标用户有标签数据的条件下,对比实验表明,提出的算法在目标用户数据上取得了很有竞争力的效果。2)为减小源域和目标域数据之间的差异,使得源域训练的模型能很好的迁移到目标用户中,应用再生核希尔伯特空间中的核嵌入概率分布的方法,提出了两种度量源域和目标域数据分布差异的方法CDD和JDD。实验证明,这两种方法能够很好地度量不同域数据之间的差异;应用这种方法,可以最优化拉近目标域和源域的联合分布,将不同用户数据特征融合在共同的核空间,改进了目前许多域适应算法中,只进行边际适配而缺乏联合分布适配的问题,同时设计出相应的分类器CDDSVM和JDMSVM,实现了目标域零训练的脑机接口,最后对比相应的优秀算法,证明提出的算法具有很优秀的性能。3)应用核嵌入理论,设计了基于多层次联合分布适配的端到端的深度神经网络结构。该网络综合考虑了运动想象脑电信号的时域,频域和空间域的特点,同时在网络的多个层次进行边际分布和联合分布的自适应匹配,有效的融合了源用户和目标用户的数据到一个共同的空间,提出的深度网络在跨用户运动想象脑电信号解码中很有效,最后对比相应的优秀算法,证明提出的算法具有很优秀的性能。总结来说,本文通过研究不同用户运动想象数据的共性和差异,从特征提取和适配,自适应分类器包括深度神经网络方面,提出了跨用户运动想象脑机接口的一系列方法,实现了零训练运动想象脑机接口。