中风是一种脑组织损伤的急性脑血管疾病。我国心脑血管疾病患者病死率呈现上升趋势,中风患者数量居首位,现患病人数约1300万,发病率为345.1/10万,平均发病年龄为（66.4±12.0）岁,给中国造成的经济负担每年高达400亿元。越来越多的脑卒中患者需要接受康复治疗,以重获肢体运动功能。基于运动想象（Motor imagery,MI）的脑机接口（Brain-computer interface,BCI）技术是一种新的中风患者运动功能康复疗法,通过分析脑电信号（Electroencephalogram,EEG）来解码MI意图,实现大脑和外部设备的交流和通信。研究立足于中风患者的EEG信号分析,利用卷积神经网络（Convolutional Neural Networks,CNN）、长短期记忆网络（Long Short-Term Memory,LSTM）及其变体门控循环单元（Gated Recurrent Unit,GRU）和双向LSTM（Bi-directional Long Short-Term Memory,BI-LSTM）的深度学习网络,提取中风偏瘫患者的EEG信号特征,对其左手、右手MI意图进行识别,取得了卓有成效的成果。主要研究内容及结果如下:1、设计一种LSTM与全连接层（Fully Connected Layers,FC）组成的模块,提出包含64个LSTM-FC-LSTM并联模块的算法。每个LSTM-FC-LSTM计算一个信道数据,实现独立提取每个信道的特征;算法引入Spatial Dropout1D层,实现针对不同被试自主选择与分类任务相关的信道;统计分析信道间的相关性,最终得到健康人与中风患者在左、右手MI时的相关信道。有效的解决因脑损伤区域不同造成的激活脑区对应信道高精度选择问题。2、探讨了5个分类模型在左右手运动想象BCI中的应用,全面比较了各个模型的优缺点和适用范围,为实时BCI分类模型的选择提供理论和实验依据。实验结果表明:GRU-GRU模型与BILSTM-BILSTM模型可以更好的拟合个体训练集,用更少的训练样本达到更高的分类准确率;LSTM-LSTM模型离线校准时间最短,但是其分类准确率较低;从离线校准时间和平均分类准确率来看,BILSTM-LSTM模型表现仍为最优。3、为减小不同受试者间EEG信号的差异对分类准确率的影响,设计一个CNN-LSTM算法。该算法MI意图识别率高达0.89,求得精确率为0.88、灵敏性为0.89、F1分数为0.89。该方法在不依靠针对特定个体的离线校准下,能够独立提取运动想象左手与运动想象右手的本质特征。通过分析在进行左、右手MI时受试者脑区的事件相关去同步/同步现象,得出了健康人、中风左偏瘫患者与中风右偏瘫患者在C3与C4信道周围脑区的激活情况。有效提高BCI分类准确率,为受损脑区定位提供实验依据。MI可以激活大脑神经元,完成大脑神经功能性重建,帮助中风患者部分恢复或者恢复运动能力。BCI技术利用MI特征控制外部设备。本文的研究工作有力地推动了基于MI的BCI技术应用于中风患者康复治疗技术的发展。