脑电信号解码是解读大脑神经活动的重要途径，是脑机接口（BCI）的核心技术，共同空间模式（CSP）是一种经典的、被广泛应用的脑电信号解码技术，具有极其重要的影响地位。然而，传统的共同空间模式研究中存在如下瓶颈：（1）仅限于处理脑电信号的全局时域信息；（2）建立在L2-范数表达的基础上，易受噪声或野点数据的影响，鲁棒性较低；（3）是一种有监督的解码方法，需要对脑电样本数据进行类别标记。 本项目研究开发了脑电信号解码的高效、鲁棒技术，该项技术主要包括：（1）首次将脑电信号的局部时间信息引入到共同空间模式方法的设计中，发展一种最优时空滤波器的局部时间扩展共同空间模式方法，实现对脑电信号更好的识别。研究工作得到了本领域先驱、奥地利科学院院士Pfurtscheller教授的高度评价和引用。（2）首次提出了基于L1-范数表达的共同空间模式-L1学习理论和方法，解决了受噪声或野点数据污染下的鲁棒脑电信号解码问题，该工作引发了国内外学者的一系列后继研究，被国际BCI领域权威、德国科学院院士Klaus-Robert Müller教授积极评价和引用。（3）突破传统的监督型共同空间模式方法的设计思路，从半监督学习的角度重新审视了共同空间模式的建模问题，提出一种综合利用标记和未标记样本的共同空间模式学习方案。研究工作得到了BCI领域国际权威、德国柏林BCI项目负责人B. Blankertz教授给予的高度评价。 本项的相关技术已在国际权威期刊发表论文数篇，可广泛应用于脑机接口的多个方面，如医疗辅助控制、服务机器人（助残机器人、康复机器人、助理机器人、医疗机器人等）、国防。