脑-机接口是通过计算机等设备为人脑与外界设备之间建立的一条不依赖于外周神经的信息交流通路,为人提供一条不依赖外周神经通路的交互通道。脑-机接口目前应用于多个领域,如康复医学,特殊环境作业及游戏娱乐等。事件相关电位是常用于脑-机接口的脑电信号,它反映了认知过程中大脑的神经电生理变化,是一种特殊的诱发电位。N200电位和P300电位是事件相关电位研究中中应用较为广泛的电位成分。多关节机械臂是常见应用于脑-机接口系统的外设设备,具有自由度高、易操控,应用领域广泛的特点。传统的单机械臂系统难以完成物体组装,抓取重心不均匀物体不稳定等动作,导致被试在使用该系统时难以完成部分功能,造成不便。双机械臂可以完成更复杂精细的任务例如插孔作业、螺栓装配等任务。本文在OpenViBE的软件环境下和Neuroscan的脑电采集平台上搭建了基于N200和P300电位的脑控双机械臂系统。该系统的视觉诱发界面为用户提供单机械臂控制和双机械臂控制两种控制模式,且可通过脑控摄像头来转换视频视角,从而增大远程的视觉范围。N200和P300电位的个体差异导致基于该电位的脑-机接口系统需要每位被试的大量训练数据来构建识别该被试N200和P300电位的模型,引起被试的训练疲劳,并可能由此导致系统性能降低,因此,构建少量样本的训练方法是提高系统实用性的重要环节。迁移学习是一种把源领域的知识迁移到目标领域,进而使目标领域能获得更好的学习效果的机器学习方法。TrAdaBoost是利用与测试数据同分布的数据和与测试数据不同分布但相似的数据分别训练分类器,并按一定权重融合分类器。本研究针对N200和P300电位的个体间的识别问题,提出基于TrAdaBoost的多个体识别N200和P300电位信号方法。采用每位被试的少量样本构造分类器,根据每位被试的的分类器对测试被试的判别准确率调整分类器的权重,并最终构成融合分类器。研究表明,本研究采集25名被试的训练样本,以线性判别式分类器和支持向量机作为分类器辨识N200和P300电位,单次叠加下两种分类器结果分别为72.69%和71.29%,在相近准确率情况下减少了66.67%的同分布训练数据。TrAdaBoost在训练过程中易出现过拟合问题导致分类准确率降低,且在训练中会因数据量较少导致训练偏差,针对TrAdaBoost的过拟合问题,本文提出基于阈值的TrAdaBoost算法,在线性判别式分类器和支持向量机作为分类器下,该方法单次叠加比TrAdaBoost提高了0.10%和1.23%。针对TrAdaBoost的数据量较少问题,提出了基于交叉验证法的TrAdaBoost算法,该方法七次叠加比TrAdaBoost提高了4.63%和5.86%。本文最后结合两点改进提出基于阈值-交叉验证的TrAdaBoost算法,该方法单次叠加比TrAdaBoost提高了6.48%和8.70%。迁移学习方法可以降低疲劳性,增大实用性,有望提高脑-机交互系统对被试个体差异的泛化能力。