脑机接口是在人类大脑与电子设备之间建立的一种不依赖于外围神经和肌肉组织的直接的通讯和控制通道。它让人类通过脑信号同外界环境交流成为可能,让人类不需要语言或者动作而可以直接通过大脑来表达想法或操纵设备。脑磁图正迅速成为不可或缺的非侵入式脑成像技术。通过使用专业的仪器,脑磁图可以检测大脑中神经元群发出的微弱磁性活动,并且只有脑磁图可以精确定位并记录这些信号比地球磁场小约十亿倍的毫秒级现象。传统的脑磁图解码算法过分依赖于训练样本的数量,以及训练样本与测试样本在相同特征空间中分布的一致性。实际应用过程中,很难满足以上条件,因此限制了不同受试者之间的训练数据或训练模型的可迁移性。本文针对上述问题,将迁移学习的思想应用于跨受试者的脑磁图解码中。通过回顾在脑解码中取得令人满意的结果的迁移学习技术,本文提出了三种跨受试者的脑磁图解码方法,具体研究内容如下:本文根据黎曼流形上的点与切空间中切向量的对应关系,在切空间中找到不同受试者脑磁图样本协方差阵特征之间相同的特征子空间进行映射,实现了基于黎曼流形学习的跨受试者脑磁图解码。本文将每个受试者视为一项任务,假设每个受试者的学习模型具有相同的结构,通过共享模型参数之间的先验分布信息,在基于贝叶斯的多任务学习框架的基础上,提出了改进的多任务学习框架。在黎曼流形学习和改进的多任务学习框架的基础上,本文提出一种联合算法,通过结合黎曼流形学习的特征提取和多任务学习框架的分类过程,实现基于特征-模型的迁移,进一步提高了跨受试者的脑磁图解码的性能。本文实验采用16个受试者在目标视觉刺激检测任务中的脑磁图数据集,验证了以上三种算法的有效性。