脑机接口通过分析脑电信号来识别大脑的意图,并将它们转化为对外部设备的控制指令从而实现中枢神经系统与外部设备之间信息传递和控制的功能。脑机接口在医疗和工程领域都有着广阔的应用前景,但在实际应用中常常遭遇小样本问题,这是因为脑电数据的采集周期长、成本较高,难以获取同一受试者的大量数据,并且脑电信号的非平稳性和不同受试者间的个体差异性导致无法直接使用其他受试者的数据。运动想象脑电信号是脑机接口中常用的控制信号,本文在经典的运动想象脑电信号处理方法基础上,分别使用集成学习和迁移学习的思想来解决脑机接口中的小样本问题。本文的主要研究内容如下:在有少量目标受试者带标签样本的情况下,提出一种以逻辑回归为基分类器以Bagging算法进行集成的直接分类算法,分析了算法的可行性,并根据分析提出基于动态集成选择的改进算法。改进算法不再需要满足基分类器之间相互独立的假设,而且可以针对待分类样本的特点和各个基分类器各自的专长,灵活且有针对性地挑选出部分性能优良的分类器进行分类。实验结果表明,改进算法获得了更好的分类性能。在完全没有目标受试者样本的情况下,提出加权子空间分布对齐算法。该算法建立在子空间分布对齐算法之上,通过使用欧氏距离度量源领域和目标领域样本之间的相似度进而得到源领域样本的权重,然后利用权重构建加权子空间并进行加权子空间对齐和加权分布对齐。考虑到度量学习具有类间距和类内距最大化的作用,提出一种联合算法,将度量学习中的近邻成分分析和加权子空间分布对齐相结合进一步提升迁移分类的效果。针对迁移学习降维带来的信息损失问题,提出时频分割共空域模式。该方法通过特征冗余在一定程度上缓解了信息损失问题,同时由于该方法采用了多个时间窗和子频带,这也在一定程度上克服了脑电信号的非平稳性和个体差异性问题。实验结果表明,联合算法和时频分割共空域模式方法带来了显著的性能提升。