Au cours des dernieres annees, le domaine des interfaces cerveau-machine (brain-computer interfaces, BCI) fondees sur l'elec-troencephalographie (EEG) a connu un interet croissant. Les methodes de l'etat de l'art utilisent les concepts de la geometrie Riemannienne qui permettent de prendre en compte la structure intrinseque des matrices de covariance des signaux EEG pour la classification dans differents paradigmes BCI. Cependant, elles montrent leurs limites lorsque le nombre d'electrodes augmente a cause de la complexite algorithmique et du mauvais conditionnement des matrices. Dans cet article, nous montrons qu'il peut etre avantageux d'utiliser au prealable des methodes de reduction de dimension afin d'augmenter les performances de classification. Nous evaluons deux algorithmes differents et comparons leurs performances face a des modeles sans reduction 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.