注意力水平直接决定了学习和工作的效率。脑机接口（Brain-computer interface,BCI）是人机交互的一种重要方式,它为注意力的研究提供了一个新的方向。在注意力分析中,使用α、β、δ、θ、γ五个波段的功率谱估计（Power Spectral Density,PSD）作为注意力识别的特征向量,得出的分类准确率较为稳定但是不高,如何从PSD特征中选出最适合每位被试者的特征是提高注意力识别准确率的关键;在线实验之前必须花费大量的时间进行离线实验,以便获取脑电数据进行训练模型,如何取消离线实验而保证在线实验的分类性能是本文的研究重点。针对使用所有的PSD特征用于分类准确率较低的问题,本文设计遗传算法（genetic algorithm,GA）进行特征选择。尝试使用类内类间距离和巴氏距离作为遗传算法的适应度函数,实验结果证明巴氏距离与分类性能的相关性较强;对高适应度个体采取分段保护机制,适应度前20%的个体直接遗传至下一代,而适应度前20%～50%的个体按照条件概率策略决定遗传与否,该方法解决了遗传算法运行效率低下和在变异过程中可能淘汰掉优良个体的问题;在分类器选择上,尝试使用支持向量机（Support vector machine,SVM）和反向传输（back-propagation,BP）神经网络进行分类,SVM分类器表现出更高的分类准确率和分类效率。最后10位被试者的实验结果表明:具有分段保护机制的遗传算法可以显著提高注意力的分类性能。针对在线实验之前必须花大量的时间进行离线实验的问题,本文使用基于概率分布自适应的迁移学习算法来降低源领域和目标领域差异性,进而取消离线实验。为了提高迁移变换的准确性,对概率分布自适应算法进行了三点改进:第一,剔除Wasserstein Distance较大的特征,初步降低源领域和目标领域在概率分布上的差异性;第二,使用投票原则对目标领域进行预测,得到目标领域的伪标签;第三,基于Wasserstein Distance动态调整边缘分布和条件分布的比重,得到更加精确的MMD距离矩阵。实验结果证明了改进后的概率分布自适应算法的有效性。最后,本文基于已有的QT开发框架设计了在线实验范式,邀请7名被试者进行在线实验。最后的实验结果表明,本文提出的注意力分析算法同样适用于在线注意力检测。