摘要：P300电位的个体差异导致基于该电位的脑-机交互系统需要每位被试的大量训练数据来构建模式识别模型,引起被试的训练疲劳,并可能由此导致系统性能降低。TrAdaBoost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迁移学习方法。本研究针对P300电位的跨脑辨识问题,提出基于TrAdaBoost的线性判别分类算法和支持向量机,将同被试的少量数据训练的分类器与不同被试的大量数据训练的分类器按权重组成融合分类器。与只采用少量同被试数据或者混合不同被试数据来直接进行训练的传统学习方式相比,本文算法在少量样本情况下将准确率分别提高了19.56%和22.25%,信息传输率分别提高了14.69 bits/min和15.76 bits/min,有望提高脑-机交互系统对被试个体差异的泛化能力。