运动想象脑电图是一种多通道高维信号。特征选择可以降低特征维数，选择更具鉴别能力的特征，从而有效地提高脑电代码的性能。现有的特征选择方法主要有过滤、包装和嵌入方法，各有优缺点。为了综合利用各种方法的优点，提出了两种混合特征选择方法。在第一种方法中，使用最小绝对值收缩和选择算子（LASSO）进行特征选择。在获得LASSO模型的权重后，设置一系列权重阈值进行二次特征筛选。第二种方法使用Fisher评分对特征进行评分，然后为二次特征筛选设置一系列权重阈值。Fisher线性判别分析（FLDA）用于对两种方法选择的特征子集进行分类。实验在两组脑机接口（BCI）比赛数据集和一组实验室自行收集的数据集上进行。最高的平均分类准确率分别为77.47%、76.11%和71.30%。实验结果表明，该方法的分类性能优于现有的特征选择方法，且特征选择时间也有很大优势。