脑-机接口（Brain-Computer Interface,BCI）是一种依靠人体大脑活动产生的脑电（Electroencephalogram,EEG）信号实现对外部设备控制的新型人-机交互技术。BCI不受肢体约束,能够帮助丧失行动能力的截瘫患者完成与外界的信息交互。随着智能信息处理技术的不断发展,各种理论和算法被相继被提出,在一定程度上提升了BCI的分类性能。作为一种重要的BCI实现模式,运动想象BCI（Motor Imagery EEG,MIBCI）系统的发展仍然受到运动想象EEG（Motor Imagery EEG,MIEEG）信号的不稳定性和小型训练集的限制。在MIEEG的采集过程中,噪声干扰和被试者精神状态的起伏等问题无法避免,由此而产生的含有伪迹的数据和“噪声标签”数据在训练集中占有较大的比例。对于训练集规模比较有限的MIBCI系统,该问题会导致系统的分类可靠性降低。为了有效降低数据集对MIBCI系统的影响,本文对训练样本的质量评估和优化方法开展深入研究,并提出了两种集成学习的运动想象分类方法。本文的具体工作如下:（1）提出一种基于共同空间模式（Common Spatial Pattern,CSP）的训练样本优化方法。本方法利用CSP算法对训练集中的伪迹和“噪声标签”都比较敏感这一特性,根据基于CSP的MIBCI（CSP-based MIBCI,CSP-MIBCI）分类性能对训练集进行优化选择。在原始训练集中随机采样构造CSP-MIBCI,将识别率最高的若干CSP-MIBCI对应的子训练集融合构成一个质量较高且数据量足够的新训练集。分别使用原始训练集和新训练集进行组间迁移测试,实验结果表明,相比优化前,样本优化后的CSP-MIBCI在平均识别率上取得了4.6%的提升。（2）提出了一种基于独立分量分析（Independent Component Analysis,ICA）的数据质量评估方法。ICA作为无监督的空域滤波设计方法,对不可预测的突发干扰较为敏感,而基于ICA的MIBCI（ICA-based MIBCI,ICA-MIBCI）系统的性能主要取决于ICA空域滤波器的性能,因此基于单次试验样本构造的ICA-MIBCI的识别率可以用来评估单次试验样本受干扰的程度。本方法利用ICA-MIBCI的自测试分类结果构造判别矩阵,通过矩阵的横向和纵向投影完成对两类低质量样本的检测和整体数据质量的评估。实验结果表明,本文提出的基于ICA的数据质量评估和优化方法具有可行性和有效性。（3）提出了两种结合空域滤波和集成学习的运动想象分类方法。在样本质量偏低的MIEEG数据集中,用全部训练数据构造一个高性能分类器是极其困难的,而且繁琐的低质量样本的检测和去除工作又会降低MIBCI的分类效率。因此本文利用小数据集训练CSP和ICA空域滤波器,并基于简单分类规则构造弱学习器,在概率上减少遇到低质量样本的可能性。然后使用Bagging方法对弱学习器进行集成,得到两种集成分类模型（EL-CSP/EL-ICA）。实验结果表明,与传统单一分类器构造的MIBCI比较,两种集成分类器在分类识别率和稳定性方面都具有优势。其中,在自测试、组间迁移和受试者迁移中EL-CSP和EL-ICA方法的识别率分别获得了8.4%和3.2%、0.7%和3.0%、2.7%和2.0%的提升。