运动想象脑电信号识别是指通过分析识别脑电信号来推断人的运动意向,从而实现人与机器的直接交流。目前,运动想象脑电识别技术已广泛应用于移动辅助机器人、上肢辅助机器人和脑卒中康复等医疗领域,以及脑控游戏和虚拟现实等娱乐领域。本文首先研究了该领域的国内外相关工作,从基于传统机器学习的脑电信号识别到最新的基于卷积神经网络的脑电信号识别,探讨了目前基于卷积神经网络的运动想象脑电信号识别存在的两个不足:第一个不足是,这些方法在卷积神经网络中使用单一卷积尺度进行特征提取和分类,但由于最适合的卷积核尺寸会因实验对象或时间而异,导致单一卷积尺度的卷积神经网络分类准确率较低。第二个不足是,在训练数据有限的情况下,神经网络容易出现过拟合的现象,从而导致运动想象脑电信号分类准确率降低。为了解决单一卷积尺度的卷积神经网络的问题,本文提出了一种基于混合尺度卷积神经网络的运动想象脑电识别算法,混合尺度卷积神经网络的多分支的结构能够尽可能提取到不同卷积尺度下不同域(时间、频率、空间)中脑电信号的运动相关信息,提高了运动想象脑电信号的分类准确率。另一方面,为了解决训练数据有限的问题,本文提出了一种针对脑电信号的数据增强算法,进一步提高了运动想象脑电信号的分类准确率。同时,为了满足实时性和小型化需求,针对混合尺度卷积神经网络算法设计了专用加速硬件,并通过FPGA进行了实现,该硬件可以通过指令配置网络结构,以层为基本单元,每条指令对应一层神经网络,通过硬件复用降低了硬件资源开销,同时满足了实时性要求。接着,对提出的算法和硬件进行了实验与分析。通过实验发现,基于本文提出的混合尺度卷积神经网络结构和数据增强算法在两个公开数据集上分别达到了91.6%和87.6%的平均分类准确率,相较于现有其他方法具有较大的提升。同时,设计的运动想象脑电信号识别硬件可以工作在100MHz,处理一帧运动想象脑电信号仅需10.224ms,满足实时性要求,同时实现了较小的硬件开销。最后,对本文进行了全文总结,分析了提出的算法与硬件的不足,并对未来工作进行了展望。