脑-机接口（BCI）研究的一个挑战是在保证准确识别的前提下减少对用户的训练时间。基于运动想象（MI）范式的BCI需要训练一段时间来调整系统适应每个用户的大脑,通过获取用户的脑电图（EEG）创建分类器,此分类器的性能取决于用于训练的数据量,更多的数据可以改善分类器性能,但也会增加训练时间,这对于某些患者而言尤其成问题。为此,本文提出在离线状态下,设计一个能够缩短用户训练时间的BCI系统,以期在小训练样本下达到可行的脑电识别准确率。本文的主要工作如下:（1）针对自发脑电的实验范式缺少约束和反馈,受试者参与度低的问题。本文将生活中移动盛满水的水杯的生活情景概念化为在虚拟环境中操作动态复杂任务模型,利用动静分析法建立模型运动方程,在MATLAB 2016a编程环境下基于函数库Psych Toolbox对任务模型进行编程呈现,通过执行有能量约束和视觉引导的边界规避任务,记录任务中受试者的脑电信号。（2）对于脑电信号中夹杂的噪声和伪迹,分别采用多项式拟合法和空间滤波方法去除基线漂移和伪迹。利用共空间模式对脑电进行特征提取和支持向量机对特征进行识别。通过对边界规避任务脑电与BCI竞赛IV数据集1提取特征的识别结果进行比较,体现边界规避任务诱导脑电的优势。此外,为了缩短训练时间,探究边界规避任务脑电在小样本下的识别问题,同时引入正则化参数和收缩参数来解决过拟合问题。结果表明,在小样本意图识别问题中,正则化方法可以提高识别控制精度。（3）为了提高对脑电的识别结果,提出基于非负CP分解模型的特征提取方法,通过连续小波变换获取脑电的频率分量,生成脑电张量,采用非负CP分解模型提取脑电张量的时间组分特征,再用二维主成分分析优化特征,利用支持向量机实现特征识别,并与基于共空间模式和支持向量机方法的识别结果进行比较,同时在边界规避任务脑电数据集和BCI竞赛IV数据集1上验证了算法的有效性。本文建立的动态复杂任务模型和对脑电信号的识别研究,能够为BCI研究提供理论支撑,提高脑-机接口整体性能。