El deterioro de la función motora de miembro superior tras accidentes cerebrovasculares u otras condiciones neurológicas afecta significativamente la calidad de vida. En este contexto, las interfaces cerebro-computadora basadas en imaginería motora (MI-BCIs) son prometedoras para la asistencia y la rehabilitación, al transformar la actividad cerebral en comandos de control sin usar de las vías neuromusculares. Sin embargo, su aplicación se ve limitada por la compleja decodificación de las señales de electroencefalografía (EEG). Una gran limitación es la variabilidad inter e intra-sujeto del EEG, que demanda extensas sesiones de calibración. En esta tesis se desarrollaron métodos de aprendizaje automático para reducir dichos tiempos de calibración y mejorar la robustez en la decodificación. En primer lugar se desarrolló de PySimMIBCI, un método para generar datos artificiales de EEG que incorporan información sujeto-específica y características fisiológicamente plausibles para tareas de MI de mano. Este método permite introducir en la simulación factores de variabilidad como la fatiga o diferentes capacidades de modulación, que son aspectos interesantes a tener en cuenta a la hora de desarrollar y validar modelos de decodificación. Mediante PySimMIBCI se generaron datos sintéticos con características específicas de sujetos reales y se las utilizó para la aumentación de datos, obteniendo mejoras significativas en el desempeño de la decodificación. El segundo eje abordó la transferencia de aprendizaje entre sujetos y bases de datos para reducir los tiempos de calibración para cada usuario. Con tal fin, se propuso XS-BOT, un enfoque de adaptación de dominio basado en transporte óptimo hacia atrás. A partir de un modelo entrenado en datos provenientes de múltiples usuarios, XS-BOT alinea las características del nuevo sujeto con la distribución de entrenamiento. La validación en diferentes bases de datos y modelos de decodificación demostró que el método supera marcadamente a otros enfoques del estado del arte, alcanzando tasas de aciertos robustas con un mínimo número de datos de calibración del nuevo usuario y de electrodos. En conjunto, los aportes metodológicos y experimentales de esta tesis permiten avanzar hacia MI-BCIs de mínima calibración, robustas y centradas en la persona usuaria, características alineadas con las necesidades en un contexto de rehabilitación motora.