脑电信号具有很强的个体差异性,在使用脑-机接口系统前通常需要实验校准来建立特定于被试的分类器模型。事件相关电位反应了大脑在认知过程中的神经电生理变化,具有非常重要的研究意义。近年来的许多研究利用通用型脑-机接口系统减少实验校准过程,以便被试将更多精力与时间集中于系统的有效使用。然而目前针对通用型脑-机接口系统的研究大多是基于运行想象模式的,本文将研究利用迁移学习等算法实现基于事件相关电位的通用型脑-机接口系统。本研究以减少脑-机接口系统实验训练时长为出发点,以迁移学习算法为核心思想,提出了两种基于通用型脑-机接口的建模方式。同时,为了保证结果的有效性,对建模方法进行了跨范式验证与在线验证。本研究主要可以细化为以下三部分工作:1、首先利用知识关联法设计了基于皮尔逊相关性系数的跨个体分类器模型（P-SICM）,并与随机建模（R-SICM）方式进行比较。结果表明,基于皮尔逊相关性系数的建模方式可以将分类识别正确率从86.0%提高到92.5%。跨范式条件下可以将分类识别正确率从86.2%提高到90.0%,验证了知识关联法的可行性。2、从实例权重的角度出发,设计了基于权重的分布式半跨个体模型（wSemi-eSICM）和基于TrAdaboost算法的分布式跨个体模型（Tr-eSICM）。通过与传统的特定于被试的分类模型（SSCM）进行对比,发现wSemi-eSICM可以在保证分类性能的前提下有效节省目标被试的实验校准时间,Tr-eSICM可以在通用数据集中数据较少的情况下有效提高跨个体识别效果。3、利用动态停止策略对不同建模方式进行了验证。结果表明,相较于PSICM模型,wSemi-eSICM模型的信息传输率较高,可以在较少的字符重复次数下获得更高的字符识别正确率。总之,本文设计的两种建模方法有效提高了通用型BCI的分类性能。为通用型BCI的研究提供一定的方法支持,有望减少脑-机接口使用过程中的实验校准时间。