La extracción de características es esencial para clasificar diferentes tareas de imaginación motora (MI) en una interfaz cerebro-computadora (BCI). Aunque los métodos de análisis de redes cerebrales han sido ampliamente estudiados en el campo de BCI, estos métodos están limitados por diferencias en tamaño de red, densidad y estandarización. Para abordar este problema y mejorar la precisión de la clasificación, proponemos un método novedoso, en el cual se extraen características híbridas de la función cerebral basadas en la red de doble nivel. El árbol de expansión mínima (MST) basado en nodos de señales de electroencefalograma (EEG) en diferentes MIs se construye como la primera capa de red para resolver el problema de conectividad global de la red. Además, la red regional en diferentes patrones de movimiento se construye como la segunda capa de red para determinar las características de la red, lo cual es consistente con la correspondencia entre los patrones de movimiento de las extremidades y la corteza cerebral en neurofisiología. Intentamos aplicar MST a la clasificación de las señales de EEG de MI, y la red de doble nivel tiene una mejor interpretabilidad. Posteriormente, se forma un vector combinando las características fundamentales de MST con las características direccionales de la red regional. Nuestro método se valida utilizando el Conjunto de Datos I de la Competencia BCI IV. Los resultados experimentales verifican la viabilidad del marco de red de doble nivel. Además, el rendimiento promedio de clasificación del método propuesto alcanza el 89.50%, que es más alto que el de otros métodos competidores, lo que indica que la red de doble nivel es efectiva para la clasificación de MI.