针对运动想象脑电时-频-空特征选择问题，提出了基于非凸log模型的稀疏特征选择方法（LOG方法）。首先，对原始脑电信号进行时-频分解，得到多个时-频段；其次，针对每个时-频段使用共空域模式（CSP）提取特征，得到时-频-空特征集合；最后，通过提出的基于log函数的非凸稀疏优化模型进行特征选择和分类，该模型可有效缓解L1范数正则化的有偏估计。为验证本方法的有效性，用3个公开的运动想象脑电数据集进行实验，相比现有的凸稀疏优化模型，非凸log模型取得了82.5%的平均分类准确率。实验结果表明，LOG方法不仅分类准确率高，且模型具有较好的稳定性和鲁棒性。