脑机接口（Brain-Computer Interface,BCI）是直接解码大脑想法并转换成控制命令控制设备与外界进行交互的先进控制系统。BCI系统的发展在许多领域具有实际应用,如轮椅控制、AI（Artificial Intelligence）智能、虚拟现实游戏等。而在生物医学领域,BCI系统主要为行动不便的病人恢复运动能力提供技术支持。在BCI系统中,脑电图（Electroencephalogram,EEG）是应用最多的脑电信号之一,具有反应大脑生理和思想情绪等信息的功能。如何有效快速地分类EEG信号表现大脑的思维是BCI技术的关键之一,所以寻找一种泛化性能好、学习速度快的分类算法非常重要。本文基于宽度学习（Broad Learning System,BLS）开展了EEG信号分类的研究,具体研究内容如下:（1）针对原始宽度学习仅使用有标签样本应用于有监督领域的问题,提出了图半监督宽度学习算法。先对运动想象数据集使用共空间模式进行特征提取,接着把处理后样本经过图标签扩散法得到无标签样本的标签,并将其加入到半监督宽度学习中,最后用测试集进行分类测试。实验结果证实本算法在3个脑电数据集上均有不错的表现,比有监督BLS算法分类结果更好,并且与其他分类算法对比也表明本算法在脑电信号分类上效果理想。（2）针对半监督学习中无标签样本安全性问题,提出了迁移半监督宽度学习算法。引入迁移学习中分布自适应方法和流形正则项到宽度学习,将有标签样本迁移到无标签样本,从而降低无标签样本安全性,同时流形正则项使用到无标签样本信息,进一步提高本算法的分类性能。该算法在三个脑电数据集上进行实验测试,并与7种方法进行对比,实验结果证实本算法比其他算法更适合脑电信号分类。此外,本算法在UCI的部分公开数据集上进行分类实验,结果进一步证明其分类准确率高。