脑机接口（Brain-Computer Interface,BCI）是一种不依赖人体神经传输通路和肌肉组织,在人脑与外界机器之间直接建立联系的新型人机交互方式。运动想象脑机接口（Motor Imagery BCI,MI-BCI）作为三种BCI重要范式之一,其核心环节是通过机器学习方法识别用户进行MI时产生的脑电信号（Electroencephalogram,EEG）,进而实现人脑与外部设备之间的直接通信与控制。传统机器学习方法在进行MI-EEG识别之前,通常需要大量采集用户的脑电信号,这大大增加了用户的校准时间,在一定程度上降低了系统的用户体验。同时EEG具有个体差异性,是一种低信噪比的非平稳性信号,容易受外界环境、用户其他生理信号（眼电、心电和肌电等）和用户精神状态的影响,不同用户在不同时刻采集并训练得到的分类模型一般不具有通用性。针对上述问题,本文在传统机器学习方法的基础上引入了迁移学习方法。迁移学习能够从不同但相关的领域中学习知识并应用于新领域,可解决大数据与少标注之间的矛盾、大数据与弱计算之间的矛盾以及普适化模型与个性化需求之间的矛盾。本文面向MI-BCI,重点研究EEG识别的迁移学习算法,提出了模型共享特征自适应的跨时间及跨个体MI-BCI迁移学习、空时频联合稀疏优化的跨个体MI-BCI迁移学习和子域自适应深度卷积网络的跨时间MI-BCI迁移学习。本文的主要研究内容和成果概括如下:（1）为解决传统机器学习算法通用性差的问题,提出模型共享特征自适应的跨时间及跨个体MI-BCI迁移学习。通过分析与运动想象相关的脑电数据的功率谱信息,提取出跨时间及跨个体模型参数的均值向量和协方差矩阵,即共享特征。然后,根据高斯分布选择与新数据集最相关的数据集来更新共享特征。利用欧几里德距离来度量新数据特征和共享特征之间的关系。最后,将更新后的共享特征和特定于时间/个体的特征联合起来生成一个新模型。该算法实现了自适应被试间和被试内的变化并通过源域数据选择来提高模型生成效率的功能。（2）为解决脑电信号非平稳及高时间成本的问题,提出空时频联合稀疏优化的跨个体MI-BCI迁移学习。它将人工蜂群算法（Artificial Bee Colony,ABC）、共空间模式（Common Spatial Pattern,CSP）算法和套索回归（Least Absolute Shrinkage and Selection Operator,LASSO）相结合,自适应地同时选择不同个体的最佳时空频率参数,并生成对应于每个个体的空时频稀疏模型向量。根据稀疏模型向量的欧几里德距离计算不同个体EEG数据的相似性,然后选择与目标数据最相似的源域。通过源域选择,采用基于实例的迁移学习,以提高运动想象EEG分类的准确性,用于目标数据标记较少的情况。该算法实现了在较小的训练集内获得较高的分类精度的效果。（3）为解决域内不同类之间及域间不同类之间没有区分的问题,提出子域自适应深度卷积网络的跨时间MI-BCI迁移学习。该算法先利用滤波器组对原始运动想象脑电信号进行滤波,滤波后的脑电信号输入到卷积神经网络中。在深度网络的全连接层之后引入了自适应层,自适应层用于计算源域和目标域子类的局部最大平均差（Local Maximum Mean Discrepancy,LMMD）。通过最小化LMMD和预测误差,同时最小化每个类内的距离（Distance Within each Class,DWC）,最大化每个域内类之间的距离（Distance Between Classes Within each Domain,DBCWD）,完成域适应和域迁移。该算法利用以前时刻的有标签脑电数据对当前时刻少量有标签的脑电信号进行建模,得到了较好的识别效果。最后,本文用本实验室内部两个数据集和国际上两个公开的数据集（BCI竞赛IV-2a数据集和韩国数据集）对所提算法进行验证,并将所提算法与多个传统机器学习算法、多个经典迁移学习方法和多个深度网络进行分类性能对比,以算法分类正确率作为衡量指标,最终分类结果表明,所提算法在解决相关问题中都取得了较好的脑电识别效果;同时配对t检验结果也表明,所提算法与相关已有算法的分类性能具有显著差异。因此,本文所提的算法在解决运动想象脑机接口目前存在的问题上具有一定的效果,对运动想象脑机接口的实际应用具有较高的理论价值和科学意义。