面向运动想象的脑机接口（brain computer interface，BCI）能够利用自主想象的特定动作触发脑电信号直接实时控制外部电子设备。运动想象脑电信号（motor imagery electroencephalogram，MI-EEG）存在信噪比低、类内差异大、类间差异小等特点，导致MI-EEG的识别率较低且不稳定。针对该问题，提出了多层判别字典对学习（multilayer discriminant dictionary pair learning，MDDPL）方法。与基于字典学习的MI-EEG识别方法不同，MDDPL将字典对学习融入多层学习模型，通过一系列非线性方法将数据投影到更具判别力的子空间。在综合字典和分析字典的共同作用下，前一层的编码向量作为当前层的输入，同时在每一层模型上构建基于分析字典的多分类项，以保证稀疏编码的分类误差最小化，增强模型的类别区分能力。另外，对最后一层的稀疏编码施加低秩约束，以保证同类编码的紧凑性和相似性。在目标式求解中，使用交替更新策略得到每个参数的解析解，使得参数同时得到最优解。在国际BCI竞赛数据集上的实验结果表明，MDDPL方法在所有对比算法中取得了最佳的分类性能。