脑机接口（Brain-computer Interface,BCI）提供了人脑与外接设备交互的直接通道,不仅在医疗、生物领域,同样在娱乐、生活、军事等各个方面都具有深远的研究意义。其中,运动想象BCI系统作为典型的自发型BCI系统,受到了广泛关注。但一方面由于现有方法针对脑电（Electroencephalogram,EEG）信号的解码准确率依旧不足,另一方面对于自发型BCI系统训练时间过长等一系列原因,使得现有的基于EEG信号的BCI系统依旧处于初步实验阶段。因此本文针对上述存在的两方面问题,分别从实验分析的角度和实际应用的角度对运动想象BCI系统中EEG信号的相关解码算法进行研究。（1）实验室场景下的EEG信号解码:从脑电信号的产生机制出发,运动想象BCI中EEG信号存在特定的空间分布和频带分布模式。当前主流的EEG信号处理手段,主要可以概括为欧式空间和黎曼空间。其中,欧式空间算法已逐渐从空间滤波发展到空频耦合滤波,而黎曼空间内算法尚待挖掘。但黎曼空间下能够更好地刻画高维EEG信号之间的内在联系。因此,本文针对黎曼空间下的空频滤波问题,提出黎曼空间的空频耦合滤波算法（RSSF）。同时本文结合现有黎曼距离对协方差矩阵特征值利用不足的特点,提出了基于LASSO模型的鲁棒分类算法。并且在自建的三分类数据库以及公用数据库中,证明了该算法的可靠性,尤其在少通道场景下算法的优越性,。（2）应用场景下的EEG信号解码:作为一种典型的自发型BCI系统,运动想象BCI设备应用前需要受试者进行长时间的训练。因此本文基于这一问题,提出小样本下基于数据增强的主动学习方法（DAAL）,并分别针对黎曼空间和欧式空间,提出对应的数据增强算法。在多个数据集验证下,离线系统中（每类训练集样本仅5例）,传统算法在结合DAAL算法后,分类精度提升了近10%,而在在线系统中,主动学习性能恶化严重的情况下,DAAL依旧可以保持优越性,这也进一步证明了DAAL具有极强的鲁棒性。其次,DAAL作为一个可学习的框架,可以通过结合不同的采样方法而达到更好的表现。综上,本文提出从实验分析角度提出黎曼空间的空频耦合滤波算法,并从应用场景角度提出了小样本下基于数据增强的主动学习方法。实验结果表明算法具有优越的分类性能,并为后续的在线系统研究打下基础。