运动想象脑机接口系统一直以来都是脑机接口领域研究的热点,它可以将神经活动转化为辅助设备的控制命令来帮助残疾患者完成一些人体指令。但目前在精确理解大脑动态和对不同的运动想象脑电信号分类的工作中依旧面临着很多困难,尤其是在多种动作的分类问题中,如何有效提取特征和提高信号分类准确率,依然是现在需要解决的问题。本文主要使用深度学习的方法对四种动作的运动想象脑电信号进行分类分析,工作内容包括以下几个方面:（1）本文首先使用比较经典的共空间模式特征提取算法和支持向量机分类器对脑机接口竞赛中的Data 2a数据集（以下简称为Data 2a数据集）中的四种运动想象脑电信号进行分类,其结果作为深度学习方法的比较基准,以评估深度学习网络模型效果。（2）基于深度学习的方法对运动想象脑电信号进行分类。本文设计了一种长短期记忆神经网络模型,并设计使用Deep Net、EEGNet和MI-Net三种卷积神经网络模型,同样对Data 2a数据集中的四种运动想象脑电信号分类,所得分类准确率对比共空间模式算法有所提高。MI-Net的分类准确率最高,9名受试者的平均分类准确率可达到81.01%。从这几个深度学习网络模型的分类结果看,证明深度学习的方法可以自发提取运动想象脑电信号的特征,并可以达到较好的分类效果。（3）上述所提方法都集中针对原始脑电信号进行特征提取,输入形式上是将多个电极的运动想象脑电信号组合成特征向量。本文还研究了基于时域、频域和空域信息的运动想象脑电信号的分类方法,使用的数据集为Physionet数据库中14名受试者的想象左手、右手、双拳和双脚四类想象动作的脑电信号。保留信号时间,空间和频率的固有结构作为信号输入的形式,使用的深度学习网络模型为基于VGG改进的网络模型,在训练测试过程中,本文对单帧多帧输入,以及有无空间信息输入的分类结果做了对比,在多帧并且有空间信息输入的情况下四种运动想象脑电信号平均分类准确率在85%左右,分类精度最高,说明时域特征和空间信息特征对分类准确率的提高均起到了积极的作用。