Analizar las señales de electroencefalografía (EEG) con enfoques de aprendizaje automático se ha convertido en un dominio de investigación atractivo para vincular el cerebro con el mundo exterior y establecer comunicación en nombre de la Interfaz Cerebro-Computadora (BCI). Muchos investigadores han estado trabajando en el desarrollo de sistemas exitosos de BCI basados en la imaginación motora (MI). Sin embargo, todavía enfrentan desafíos para lograr un mejor rendimiento con ellos debido a las características irrelevantes y la alta complejidad computacional. Seleccionar características discriminativas y relevantes para superar los problemas existentes es crucial. En nuestro trabajo propuesto, se han estudiado diferentes algoritmos de selección de características para reducir la dimensión del espacio de características multibanda y mejorar el rendimiento de clasificación de tareas de MI. En el procedimiento, primero descompusimos la señal de EEG basada en MI en cuatro conjuntos de señales de banda estrecha. Luego se empleó un enfoque de Patrón Espacial Común (CSP) para cada banda estrecha para extraer y combinar características efectivas, produciendo un vector de características de alta dimensión. Tres enfoques de selección de características, denominados selección de características basada en correlación (CFS), redundancia mínima y relevancia máxima (mRMR), y selección de características no supervisada basada en aleatorización de múltiples subespacios y colaboración (SRCFS), se utilizaron en este estudio para seleccionar las características relevantes y efectivas para mejorar la precisión de clasificación. Entre ellos, el enfoque de selección de características SRCFS demostró un rendimiento sobresaliente para la clasificación de MI en comparación con otros esquemas. El SRCFS se basa en el método de múltiples grafos de vecinos más cercanos k para aprender el peso de las características basado en el puntaje de Laplaciano y luego descartar las características irrelevantes basadas en el valor del peso, reduciendo la dimensión de las características. Finalmente, las características seleccionadas se introducen en las máquinas de vectores de soporte (SVM), el análisis discriminativo lineal (LDA) y el perceptrón multicapa (MLP) para la clasificación. El modelo propuesto se evalúa con dos conjuntos de datos de referencia, a saber, el conjunto de datos IVA de la Competencia BCI III y el conjunto de datos IIIB, que están disponibles públicamente y se utilizan principalmente para reconocer las tareas de MI. El clasificador LDA con el algoritmo de selección de características SRCFS muestra un mejor rendimiento. Esto demuestra la superioridad de nuestro estudio propuesto en comparación con otros sistemas de clasificación de tareas de MI basados en BCI de última generación.