运动想象脑-机接口是三大脑电实验范式之一,其分类的准确率直接关系到脑-机接口系统能否应用。由于运动想象脑-机接口的个体差异性较大,随机性较强,且需要固定的范式进行提示实验,导致运动想象脑-机接口的分类性能较差。随着深度学习的发展,研究者们开始在运动想象脑电分类上使用深度学习模型。卷积网络的出现改变了脑电信号研究面临的困境,而且卷积网络的结构特性更容易实现端到端的分类方法,但卷积网络需要有一定规模的数据集对其进行训练才能达到理想的效果,运动想象脑电信号的公开标准数据集相对较少。基于卷积网络在脑电信号分类上存在的问题与其在分类问题上的便利性,提出了以下方法进行分析。首先采集了11名健康受试者的四类运动想象脑电信号,采样频率为250Hz,通过预处理与筛选,去掉一名脑电信号质量较差的受试者数据后,得到10名受试者的脑电数据,组成运动想象自采脑电数据集sc,解决了样本量少的问题。然后对2008年脑-机接口竞赛的公开数据集2a和自采数据集sc进行带通滤波和伪迹去除等预处理,验证多特征融合卷积网络模型、多核滤波器组与长短时记忆结合卷积网络模型在四类运动想象脑电上的分类性能。提出了多特征融合的卷积网络对运动想象脑电信号进行分类的算法,将卷积网络应用到传统的分类算法中。利用短时傅里叶变换与连续小波变换对脑电数据进行时域特征提取并生成时域图;采用小波包分解提取脑电信号的能量特征矩阵;应用OVR-FBCSP对脑电信号进行空间特征提取并生成特征矩阵。将时频图、能量特征矩阵、空间特征矩阵通过卷积网络进行特征融合学习并分类,实验结果表明,多特征融合卷积网络模型的分类准确率为95.7%,高于现有模型的分类准确率。提出了多核滤波器组与长短时记忆结合的卷积网络模型（MKFB-LSTMNet）。此模型通过时间卷积结合长短时记忆网络模块能够描述脑电信号的时域特征,然后通过空间卷积进行空间特征提取,以达到时空卷积的效果。利用公共数据集2a对此模型进行验证,根据结果表明,此网络模型的分类准确率为77.9%,高于现有模型的分类准确率,应用MKFB-LSTMNet对自采数据集sc进行验证,结果表明此数据集的分类结果为86.8%,证明了此网络模型的有效性。