P300 電位的個體差異導致基于該電位的腦-機交互系統需要每位被試的大量訓練數據來構建模式識別模型，引起被試的訓練疲勞，并可能由此導致系統性能降低。TrAdaBoost 是一種把源領域的知識遷移到目標領域，進而使目標領域能獲得更好的學習效果的遷移學習方法。本研究針對 P300 電位的跨腦辨識問題，提出基于 TrAdaBoost 的線性判別分類算法和支持向量機，將同被試的少量數據訓練的分類器與不同被試的大量數據訓練的分類器按權重組成融合分類器。與只采用少量同被試數據或者混合不同被試數據來直接進行訓練的傳統學習方式相比，本文算法在少量樣本情況下將準確率分別提高了 19.56% 和 22.25%，信息傳輸率分別提高了 14.69 bits/min 和 15.76 bits/min，有望提高腦-機交互系統對被試個體差異的泛化能力。