En la interfaz cerebro-computadora (BCI) basada en la imaginación motora, las matrices de covarianza simétricas definidas positivas (SPD) de las señales de electroencefalograma (EEG) con características de información discriminativa se encuentran en una variedad de Riemann, la cual está atrayendo cada vez más atención. Bajo una perspectiva de variedad de Riemann, proponemos un algoritmo de reducción de dimensionalidad no lineal basado en redes neuronales para construir una variedad SPD de baja dimensionalidad más discriminativa. Con este fin, diseñamos una nueva capa de contracción no lineal para modificar adecuadamente los autovalores extremos de la matriz SPD, luego combinamos el mapeo bilineal tradicional para reducir no linealmente la dimensionalidad de las matrices SPD de variedad a variedad. Además, construimos la red de variedad SPD en una arquitectura Siamesa que puede aprender la métrica de similitud a partir de los datos. Posteriormente, el método efectivo de clasificación de señales llamado distancia mínima a la media de Riemann (MDRM) se puede implementar directamente en la variedad de baja dimensionalidad. Finalmente, se propone una capa de regularización para realizar la transferencia de sujeto a sujeto explotando las relaciones geométricas de múltiples sujetos. Experimentos numéricos con datos sintéticos y conjuntos de datos de señales EEG indican la efectividad de la red de variedad propuesta.