脑机接口（Brain-Computer Interface,BCI）是一种复杂的软硬件系统,它无需依赖人体肌肉组织和外周神经组织,实现了人脑与外部设备的直接交互,在医疗、教育、安全等领域具有巨大的应用价值。运动想象信号是一种自发的脑电信号。基于运动想象的脑机接口通过对信号进行分类,将其转换为对外部设备的通讯或控制信号。然而,传统的运动想象信号分类算法存在两个问题:脑电多域信息的不充分利用、泛化的跨受试者模型构建困难。一方面,传统的分类算法往往只从空域、频域或时域等某一角度对信号进行建模,或多或少地丢失了部分脑电信息,使得模型的精度不高、泛化性能不强。因此,如何全面利用脑电信号的各个域特征是脑电信号分类的一个难题。另一方面,不同个体的脑电信号具有较大差异,新用户在使用脑机接口前往往需要长时间的校准,以获得足够的带标签数据来训练模型。因此,如何利用受试者少量的标签数据,建立可靠的分类模型,也是脑电信号分类研究的重要课题。本文引入深度学习,并结合集成学习和迁移学习,对上述问题给出了解决方案。本文的研究内容如下:（1）为了对脑电信号多个域进行全面建模,本文提出了基于因子分解机的集成学习模型。该集成模型包括三个基学习器和一个次级学习器。首先,三个基学习器分别对空域、时频域和时域进行建模,抽取对应的深度特征;接着,以一定概率掩盖深度特征,将得到的稀疏特征送入次级学习器中;最后,选择因子分解机作为次级学习器,用该稀疏特征进行训练。实验结果表明,集成学习方法可以提高分类准确率,因子分解机也优于其它集成模型。（2）为了对脑电信号多个域进行建模,本文还提出了基于卷积神经网络和长短时记忆网络的深度模型。该方法首先对信号进行频率和空间过滤,随后使用小波变换得到多个通道信号的时频图,最后对多个通道的时频图进行拼接并将结果送入深度模型中。该模型在数据集BCI Competitions II-3和数据集BCI Competitions IV-2a上平均准确率分别达到85.3%和74.6%。（3）为了减少模型训练所需的标签数据,本文提出了一种迁移学习方法。该方法可以结合其他源受试者的标签数据和目标受试者的无标签数据,仅需少量目标受试者的标签数据进行模型训练。该方法首先利用多个预训练好的源受试者模型找到与目标受试者最相似的源受试者;接着用少量目标受试者数据微调该源受试者模型;最后再利用基于Jenson–Shannon散度损失和中心损失构建分布对齐模块,将少量带标签数据的分布和大量无标签数据的分布对齐,进一步提升模型的泛化能力。实验表明,该方法训练得到的模型性能接近于用大量标签数据训练的结果。