脑-机接口系统可以直接在大脑和外部设备之间建立连接通路,并通过解码脑电信号得到一系列可执行的机器指令,使大脑能够实现对外部设备的操控。基于运动想象的脑-机接口系统是一类典型的自发式脑-机接口。由于其不需要借助外界装置的刺激,受试者通过运动想象即可产生脑电信号,因此受到了广泛的关注。目前,因为脑电信号采集困难,脑-机接口系统存在训练数据量较少的问题。然而,脑电信号具有个体差异大的特点,具体表现为不同受试者之间数据的统计分布不一致,已有受试者数据不能直接利用。因此,如何从不同的受试者之间学习到共同的知识,把从已有受试者数据中学习到的知识应用于新的受试者数据,是脑-机接口系统研究需要解决的问题。针对上述问题,本文研究了基于深度迁移学习的运动想象脑电解码方法,关注单源无监督领域自适应问题,主要工作如下:1、提出一种迁移学习策略,该策略包括预训练、源领域选择和迁移学习三个阶段,其中在源领域选择阶段Wasserstein距离可作为判据用于目标领域对源领域的初步挑选。该策略可以减少迁移学习的训练时间,同时有效利用现有的数据。2、提出了一种基于度量的深度迁移学习方法Wasserstein-guided Domain Adaptation。为了获得良好的分布对齐效果,该方法使用Wasserstein距离作为度量,并且研究了不同Wasserstein距离计算方法对结果的影响。在公开的运动想象数据集上的实验结果验证了该迁移学习方法的有效性。3、提出了一种基于子领域对抗的深度迁移学习方法Wasserstein-guided Multi-Adversarial Domain Adaptation。为了 获得细粒度的分布对齐效果,使用 Wasserstein距离分割子领域,并使用多域判别器对不同的子领域进行对齐。同时,使用领域收缩损失使得每个域判别器学习到更紧凑的任务相关决策边界,以优化分布对齐的效果。在公开的运动想象数据集上的实验结果验证了该迁移学习方法的有效性。