脑机接口（BCI）能够实现大脑与外部设备之间的直接通信。近年来，基于脑电图（EEG）的基础模型致力于在多种BCI范式之间学习通用表征。然而，这些方法忽视了不同范式间本质的神经生理学差异，从而限制了其泛化能力。尤为重要的是，在实际的BCI应用中，具体范式（如用于中风康复的运动想象MI或辅助机器人控制）通常在数据采集之前就已经确定。本文提出MIRepNet，首个专为运动想象（MI）范式设计的EEG基础模型。MIRepNet包含一个高质量的EEG预处理流程，其中整合了基于神经生理学知识的电极通道模板，可适配任意电极配置的EEG头戴设备。此外，我们提出了一种混合预训练策略，结合自监督的掩码标记重建与监督式的MI分类任务，从而在每个类别仅需少于30次试验的情况下，实现对新型下游MI任务的快速适应与高精度解码。在五个公开的MI数据集上的广泛评估表明，MIRepNet始终达到当前最优性能，显著优于各类专用模型与通用EEG模型。我们的代码将发布于GitHub\footnote{此https链接}。