为了解决不同时间采集的运动想象脑电数据之间的分布差异，避免跨周期使用前长时间的重新校准步骤，提出了一种基于判别转移特征学习（DTFL）的运动想象分类方法。DTFL通过联合匹配源域和目标域之间的边缘分布和类条件分布，减少域之间的差异，同时最大化类间距离，最小化类内距离，以保留类判别信息，从而提高运动想象的分类性能。基于DTFL的运动想象分类方法不需要目标域脑电样本的类别信息，可以有效避免长时间标定。在脑－机接口竞赛数据集上的实验结果表明，DTFL的迁移学习方法明显优于其他迁移学习方法，有效地缓解了跨域分布的不一致性，提高了运动想象的分类精度。