意识障碍可分为最小意识状态（MCS）和无反应觉醒综合征（UWS）,对意识障碍患者的精准诊断仍然是一个难题。脑电（EEG）信号是临床常用的意识障碍诊断的辅助工具,但目前相关研究使用传统机器学习方法对意识障碍EEG信号的分类效果并不理想。深度学习方法已在多种EEG信号的分类任务中展现出其优势,但应用于意识障碍EEG信号分类的研究鲜有报道。因此,对基于深度学习的意识障碍EEG信号分类问题进行研究是十分必要的,这对意识障碍的临床诊断有着实际的应用价值。本研究收集了153例意识障碍患者的EEG信号,以修订版昏迷恢复量表的诊断结果作为EEG信号的真实类别,构建了样本量为51,450的数据集。以病例为单位划分训练集与测试集,使用5折交叉验证。在样本与病例两个层面评估测试结果。首先构建了常见的卷积神经网络（CNN）与长短期记忆网络（LSTM）模型,之后针对意识障碍EEG信号的数据形式,在CNN模型的基础上加入空间卷积、分电极卷积、Inception、参数重心前移4种结构,构建了一种改进的时空卷积神经网络（STCNN）模型,并构建多个中间模型以验证STCNN模型中各个结构对分类结果的影响。本文的研究结果如下:（1）CNN与LSTM模型对意识障碍EEG信号的分类效果都优于传统机器学习,决定意识障碍EEG信号类别的特征可能是更复杂的非线性特征,深度学习可以比传统机器学习更加有效地提取到这些特征。（2）STCNN模型对样本分类的准确率达到的85.07%,对病例分类的AUC值达到0.9228,优于一般的深度学习方法,其关键结构都对分类结果有着积极影响。（3）STCNN模型对意识障碍EEG信号的分类效果与基于神经影像学的分类效果接近,有希望成为意识障碍临床诊断的参考指标。