基于脑电（Electroencephalogram,EEG）运动想象脑机接口技术,用户利用自主想象特定动作所触发的EEG信号直接实时控制外部电子设备。该技术不仅可以应用于医疗康复领域以帮助人们恢复受损的运动机能,还可以应用于机器人控制、军事、娱乐等广阔领域。目前该技术需要较长校准时间以产生分类器可识别的EEG信号,然而长期训练导致的受试者精神疲劳可能降低脑机接口系统性能。为此,本文以降低用户校准时间为研究目标,采用理论与实验相结合的方法,在特征提取和分类识别阶段分别提出跨用户迁移学习和半监督学习算法,并以70%的基准分类准确率验证算法在小训练集下的有效性。论文主要研究工作如下:（1）针对不同用户EEG信号差异性较大的问题,分析源用户训练样本迁移至目标用户训练样本空间前后的空间滤波器变化,探讨最佳源用户训练集和所有源用户训练集对目标用户的影响。提出基于余弦相似度度量源用户权重的迭代和非迭代正则共空间模式（Regularized Common Spatial Patterns,RCSP）迁移学习监督式特征提取算法。实验表明,当目标用户训练集百分比为20%时,相比共空间模式（Common Spatial Patterns,CSP）和典型RCSP算法,两种算法具有较高鲁棒性,可以提取类间区分度更好的特征向量。（2）针对RCSP算法交叉验证运算量大的问题,利用黎曼流形参考点调整用户差异性的假设,提出基于黎曼切空间的通用用户和特定用户迁移学习无监督式特征提取算法。两种算法不仅避免交叉验证运算,而且不依赖训练样本标签生成特征切向量。通用用户算法将所有用户切向量权重设置相同以实现通用算法。特定用户算法采用顺序前向浮点搜索方法选择适合特定目标用户的最佳源用户切向量集合。实验表明,当目标用户训练集百分比为10%时,相比其它竞争算法,特定用户算法生成的特征切向量具有更高鲁棒性和更好类间可分性。（3）针对测试样本的有效利用和未知分布问题,基于半监督学习的图模型、直推式支持向量机（Transductive Support Machine,TSVM）模型,提出改进的TSVM算法和改进的自训练TSVM算法。两种算法首先利用目标用户的小训练集和大测试集,生成包含CSP特征向量和几何特征向量的组合特征向量;然后利用凹凸过程算法求解目标函数最优值,并使用新约束条件解决测试样本的未知分布问题。此外,改进的自训练TSVM算法使用新置信度规则以便在特征提取和分类识别阶段更加充分利用测试集。实验表明,当平衡训练集大小为10和非平衡训练集大小为20时,相比支持向量机（Support Vector Machine,SVM）和典型TSVM算法,改进的自训练TSVM算法具有较高计算效率、较好分类准确度和较强鲁棒性。（4）采集六位用户左右手运动想象EEG信号。基于脑机接口盲现象,以70%的分类准确率为分界线划分用户类型。从训练样本数量和正负比例、用户类型多个角度,对比分析本文迁移学习特征提取算法和半监督分类学习算法性能。实验表明,在平衡小训练集下,表现差用户的余弦相似度迭代RCSP算法整体表现优于竞争算法;在平衡和非平衡小训练集下,表现好用户的改进自训练TSVM算法分类准确率高于其它算法。实验结果和分析为今后深入研究不同类型用户的不同降低校准时间方案提供量化依据,为运动想象的实用化奠定良好基础。