脑机接口（Brain Computer Interface,BCI）技术构建了大脑与外部设备之间全新的连接方式,已经应用于医疗、交通和娱乐等众多领域。基于脑电信号（Electro EncephaloGram,EEG）的BCI技术,由于其无创、时间分辨率高等特性,被广泛应用于BCI系统中。然而,在目前的BCI技术中,EEG数据标注的时间和经济成本较大,且EEG信号存在时变性和个体差异,导致BCI系统的校准时间较长,识别方法泛化能力较差。针对上述问题,论文开展以下研究。首先,提出基于半监督学习的源域被试样本标注方法。利用源域被试中少量有标记样本,对无标记样本进行选择标注,提出协同训练方法、样本置信度度量方法以及动态调整机制,提高对无标记样本的标注准确率,从而为目标域提供大量可靠的有标记训练样本。其次,提出基于半监督主动迁移学习的多类运动想象脑认知状态识别方法。首先,通过相似度计算,选择与目标域分布相似的源域,并从这些源域中选取信息熵较大的样本进行迁移。然后,由目标域中的有标记样本和多个源域中的迁移样本训练多个分类器,并对这些分类器的结果进行加权融合,对目标域样本进行识别。最后,从目标域的无标记样本中选择信息量大的样本,加入有标记样本集,增加目标域有标记样本的数量。最后,通过基于半监督学习的源域被试样本标注、源域被试选择、迁移学习和脑认知状态识别等实验,对提出的方法进行验证,实验结果表明基于半监督主动迁移学习的多类运动想象脑认知状态识别方法,对目标域被试的平均识别准确率达到了70.52%,与目前应用比较广泛的方法相比,该方法具有更好的识别性能和训练效率。