不同受试者的脑电图 (EEG) 信号的模式存在显著差异，这对 EEG 分类器提出了挑战，因为 1）有效地将学习到的分类器应用于新受试者，2）适应后保留已知受试者的知识。我们提出了一种有效的迁移学习方法，称为元更新策略 (MUPS-EEG)，用于跨不同受试者进行持续的 EEG 分类。该模型通过元更新学习有效的表示，这加速了对新受试者的适应，同时减轻了对先前受试者知识的遗忘。所提出的机制源自元学习，其作用是 1）找到广泛适用于不同受试者的特征表示，2）最大化损失函数的灵敏度以快速适应新受试者。该方法可应用于所有面向深度学习的模型。在两个公共数据集上进行的大量实验证明了所提模型的有效性，在适应新主题和保留已学主题知识方面，其表现远远优于当前最先进的模型。我们的代码可在 https://github.com/tiehangd/MUPS-EEG 上公开获取。