Au cours des dernières années, le domaine des interfaces cerveau-machine (brain-computer interfaces, BCI) fondées sur l'élec-troencéphalographie (EEG) a connu un intérêt croissant. Les méthodes de l'état de l'art utilisent les concepts de la géométrie Riemannienne qui permettent de prendre en compte la structure intrinsèque des matrices de covariance des signaux EEG pour la classification dans différents paradigmes BCI. Cependant, elles montrent leurs limites lorsque le nombre d'électrodes augmente à cause de la complexité algorithmique et du mauvais conditionnement des matrices. Dans cet article, nous montrons qu'il peut être avantageux d'utiliser au préalable des méthodes de réduction de dimension afin d'augmenter les performances de classification. Nous évaluons deux algorithmes différents et comparons leurs performances face à des modèles sans réduction dans des tâches de classification de signaux EEG. Abstract – In the past few years, there has been an increasing interest among the brain-computer interface (BCI) community in classification algorithms that respect the intrinsic geometry of the spatial covariance matrices of electroencephalographic (EEG) recordings. These methods are based on concepts of Riemannian geometry and, despite demonstrating good performance on several occasions, do not scale well when the number of electrodes increases. In this paper, we show that it may be advantageous to reduce the dimensions of the covariance matrices before performing the classification tasks. We evaluate two methods for reducing the dimension of the covariance matrices of EEG recordings and compare their classification performance on BCI data to models without any dimension reduction.