大脑状态时时刻刻在发生变化,因而脑电（electroencephalography,EEG）信号是非平稳的。新的用户在使用一个脑机接口（brain-computer interface,BCI）之前,必须经过冗长的训练采集EEG数据,用于构造BCI的分类模型。这限制了它的实用性。迁移学习是减少BCI训练时间的有效方法。通过将以前用户的实验数据迁移到一个新的用户,作为训练数据构造他的分类模型,从而减少新用户的训练时间甚至完全排除训练。然而,如何有效地将数据从以前的用户迁移到新的用户,呈现了一个巨大的挑战。在基于迁移学习的BCI系统中,由于受试者个体差异性较大,不同用户的实验数据往往具有不同的特征分布,如果将以前用户的数据直接迁移到一个新的用户,不做任何变换地用于创建其分类模型,该分类模型的准确率和稳健性将会受到很大的影响。本文提出基于黎曼和欧氏空间混合数据校直（hybrid Riemannian and Euclidean space data alignment,REA）的方法,由黎曼空间和欧氏空间中两个参考矩阵的正则化得到一个混合参考矩阵,对单次实验的EEG数据进行校直,使校直后源用户与目标用户的数据具有类似的特征分布。结果表明,REA方法在减少受试者个体差异方面,明显优于两种单一空间的校直方法。为解决迁移学习应用于BCI系统过程中,如何寻找不同受试者脑电图信号的共性问题,本文提出了基于顺序正向浮点搜索算法的相关受试者选择方法。该方法顺序地从源受试者子集中添加或删除一个受试者数据,只要当前子集的分类结果比该级别评估的子集好,则保留该子集;否则,删除该子集。这个过程直至目标受试者的分类精度不再提高为止。与目前已有的四种迁移受试者选择算法相比,远远高于未经过迁移受试者选择的算法,且不存在信息的丢失。最后,本文将REA算法与相关受试者选择算法进行结合,构造一个基于运动想象（motor imagery,MI）BCI的迁移学习模型。通过REA算法对源受试者和目标受试者的数据分别进行校直,改变源受试者EEG信号的分布,然后利用顺序正向浮点搜索算法对源受试者进行筛选,最后使用所选的源受试者数据,在黎曼和欧氏空间分别构造目标受试者的分类模型。实验结果表明,两种方法的结合比单个方法具有更好的分类性能,将促进基于运动想象BCI的实际应用。