空域共空间模式(CSP)是基于运动想象的脑电信号(EEG)模式识别中最有效、应用最广泛的一种空域特征提取算法。然而CSP算法也有其不足之处，例如，CSP在大量样本识别时效果良好，却在小样本识别时效果会变差;对于不同受试者，同类思维任务的脑电信号特征相似，CSP每次模式识别只训练指定受试者数据，而不能学习其他受试者同类任务数据的特征;EEG信号容易受到干扰或者本身的奇异信号的影响，传统CSP算法对这类EEG信号的模式识别效果较差,EEG信号在不同时刻的特征是有差异的，而传统CSP算法是时间全局性特征提取方法，不能提取局部时间上的内在判别信息。　　 为了克服CSP算法的这些不足点，本文主要研究以CSP算法为基础的两种不同的改进算法。第一种改进算法是为了解决小样本的模式识别问题，这种算法引入了正则化判别分析方法和泛化思想，以两个正则化参数分别控制数据的泛化能力和协方差矩阵的奇异性，使得数据的特征向量具有更高的可识别性，从而提高识别正确率，文中算法称为不完全泛化学习的正则化共空域模式。仿真实验表明，该算法能有效提高小样本情况和受试者对受试者的识别正确率。第二种方法根据不同时刻的EEG信号的差异性，选取最佳的时间，挖掘特征差异最明显的局部时间流形的内在特征信息，从而提高识别确率，这种算法称为局部时间共空域模式，仿真结果表明不同的时间局部流形内信息的判别特性不同，提取含有较好判别信息的局部时间流形有利于提高EEG信号识别正确率。