脑电信号分类是字符拼写、外部设备控制等脑-机接口系统的基础。由于脑电信号易受被试生理和心理状态影响,且不同被试的脑电信号在幅值、相位等方面存在差异,现有的脑电信号分类技术往往采用被试特异、实验条件特异的策略,在获取每名被试相同实验条件下足够多的脑电信号样本之后,为每名被试训练一个静态的分类系统。这样,脑-机接口系统使用时的准备时间较长,不利于快速部署;且当被试更换或被试生理或心理状态改变时,脑电信号的分类准确率可能会受到较大影响,不利于脑-机接口系统的大范围、长时间应用。因此,本文基于人工神经网络模型,并结合迁移学习和增量学习策略,提出了一个可实现跨被试、长时可用的脑电信号分类框架。首先,我们在大规模的脑电信号数据上,训练一个用于脑电特征预提取的卷积神经网络,通过融合不同卷积核卷积得到的脑电时域、频域和空域特征,将脑电信号在特征空间中进行统一表征;其次,通过采集不同实验条件下的脑电信号,我们通过增量学习策略,得到了一个用于脑电特征增量提取和表征的自组织神经网络;再次,我们利用部分被试的脑电信号特征,预训练一个集成的脑电分类器;最后,基于迁移学习,我们利用其他被试的脑电信号,对自组织神经网络和脑电分类器进行精细调整和动态更新。在公开的真实世界脑电数据集上的实验结果表明,相比现有的脑电分类技术,本文提出的框架可以有效应对跨被试、跨任务和连续长时应用下的脑电信号分类问题。