由于我国新增驾驶人员数量飙升且交通监管存在漏洞,导致因驾驶行为不规范引发的交通事故数量居高不下,可见加强对驾驶行为的规范力度具有十分重要的社会意义。目前,智能驾驶技术被认为是解决上述问题的最有效方案之一,但现有技术方案忽略了驾驶员本身这一核心安全因素,若能对驾驶员的驾驶意图及行为进行有效预测,并用于辅助驾驶将有望大幅度降低交通事故发生的几率。为此,本文将运动想象脑机接口(Motor Imagery Brain Computer Interface,MI-BCI)技术引入智能辅助驾驶领域,以有效获取驾驶员驾驶意图,以便实现人-车状态的快速转换,增强邻近车辆间信息交互的实时性,有效避免交通事故的发生;另一方面,引入迁移学习以有效缩短脑机接口系统使用前的训练时间,有效提升脑机接口系统的使用效率。本文主要包含以下几项工作。首先,研究了运动想象脑电信号的产生机理,并针对其非线性、非平稳性的特点,从时域、频域、时频域多层面进行脑电特征提取,以全面表征ERD/ERS现象;最后阐述了支持向量机、BP神经网络两种常见的模式识别方法。其次,将迁移学习引入脑机接口,并针对现有迁移学习方法迁移效率不高以及适用领域局限性问题,本文综合实例迁移和特征迁移学习方法的优势构建了混合迁移学习模型。第一步,依据样本权重极化原理改进TrAdaBoost算法以实现实例层面的迁移,优化源域训练样本;第二步,基于大间隔投射迁移支持向量机进一步缩短源域与目标域间的分布距离以完成特征层面的迁移,实现迁移效率最大化。进一步,将该方法应用于BCI竞赛Dataset IIb数据集进行算法高效性与普适性验证。再次,设计了面向智能辅助驾驶的迁移学习脑机接口系统,包括驾驶模拟平台的搭建以及软硬件系统设计,用以对本文提出的基于混合迁移学习的运动想象分类算法的实用性、高效性以及普适性进行在线验证。