运动想象脑电信号是受试者自发地想象肢体运动而产生的脑电信号,不需要外界刺激就能完成相应的任务,交互方式更加友好自然,也更贴近意识控制。基于运动想象脑电信号的脑机接口系统在医疗康复、人机交互等领域具有极大的研究和应用价值。原始的运动想象脑电信号信噪比非常低,其中蕴含的有用信息极其微弱也极易受到环境的影响,这使得运动想象脑电解码很困难。基于协方差特征的运动想象脑电解码方法近年来取得了很大的进步,在多个数据集上取得了当前最优性能。虽然基于协方差特征的解码方法很高效,但是用于处理协方差特征的黎曼几何工具涉及到大量的矩阵分解运算,当协方差特征的维度增加时,算法的计算量将会急剧增加;运动想象脑电信号还具有很强的个体差异性,不同受试者之间的数据相差较大,无法利用已有样本来矫正当前用户的脑机接口系统,这制约了脑机接口系统的应用。本课题针对上述两个问题展开研究,主要内容包括:1.协方差特征维度较高,容易导致计算量高和过拟合。因此,针对高维的原始协方差特征,本文提出一种基于黎曼子流形特征融合的脑电分类框架。该方法旨在降低黎曼流形维度的同时增强特征的可分性。方法在三个与运动想象相关频带上构建黎曼流形,然后在三个频带上利用改进的黎曼CSP方法分别求解双线性降维矩阵用于构建黎曼子流形,最后在黎曼子流形的切空间上利用互信息分数挑选融合特征高效地获得可分特征。该方法不仅降低了算法的计算量还增强了特征的可分性,在BCI竞赛Ⅳ2a数据和清华大学数据上优于其他可比算法。2.为了解决运动想象脑电信号的个体差异性问题,本文提出一种滤波器组黎曼切空间特征对齐（Correlation Alignment in Filter Bank Riemannian Tangent Space,FBTSCORAL）方法,用于降低不同受试者数据的分布差异,提高跨个体迁移的准确率。方法在滤波器组上构建多个黎曼流形并将多个黎曼切空间上的特征拼接起来作为样本特征,然后利用相关性对齐（Correlation Alignment,CORAL）方法将源域和目标域的特征对齐,最后用于一对一跨个体迁移和多对一跨个体迁移。该方法在BCI竞赛Ⅳ2a数据集上进行了实验,优于其他可比方法的性能。