随着智能时代的到来,脑机接口在很多领域都有着很大的进展,其最核心的技术是对脑电信号进行分类。深度学习技术为脑电信号类别的识别研究提供了一种新的方法。因此,开展基于深度学习来提升运动想象脑电信号分类的精度研究是具有重要意义的。本课题主要研究内容和取得的阶段性成果如下:首先为了提高运动想象脑电信号的信噪比,对本文数据集使用ICA独立成分分析剔除伪迹和FIR带通滤波器进行处理;接着基于运动想象脑电信号具有丰富的时域和频域特征,本文提出了一种组合的特征表示方法（称为特征时频图）,它是对特定通道和时段的脑电信号使用特定小波基进行小波变换得到的,为了获得最优的特征时频图,本文先通过传统机器学习方法SVM对小波基、信号时段和通道进行单一研究得出局部最优,再把它们进行组合得到全局最优;最后开展了基于最优特征时频图的运动想象分类性能的研究,包括以下三个方面研究。（1）研究基于一般卷积神经网络下的运动想象脑电信号分类性能。课题构建了一个浅层的CNN模型,并通过实验进行参数调优,实验表明基于一般卷积神经网络下的运动想象脑电信号分类准确率优于基于传统机器学习方法。（2）研究基于深度可分离卷积神经网络下运动想象脑电信号分类性能,本文提出使用深度可分离卷积神经网络并结合特征时频图进行运动想象脑电信号分类性能,实验结果表明,该分类方法能得到不错的分类效果。（3）研究基于深度可分离卷积神经网络与最优特征时频图组合的运动想象脑电信号分类性能,使用该组合的分类准确率达到了92.86%。实验结果表明,深度可分离卷积神经网络与最优特征时频图组合的分类效果最好,证明了本文选择的特征时频图是最优选择,且分类效果优于目前很多其它方法,也验证了所提出方法用于运动想象脑电信号分类的可行性和有效性。