脑机接口（Brain-Computer Interface,BCI）提供了一种不依赖周围神经和肌肉而直接与环境交互和控制外部设备的方法。它可以直接读取并将人脑中的生理电信号转换成控制信号从而控制外部设备。BCI在疾病识别、神经修复、神经反馈训练、利用脑波生成视觉图像、情感分类、军事、娱乐等领域得到了广泛的研究和应用。对运动想象脑电信号分类是脑机接口研究中的关键技术之一。本文以提高运动想象脑电信号的分类准确率为目标,结合运动想象脑电信号的特性,对脑电信号的预处理、特征提取以及分类等过程进行了分析研究,主要工作如下:1.在运动想象脑电信号预处理阶段:本文采用了带通滤波、公共平均参考以及独立成分分析法,去除对脑电信号无关的信号,从而为脑电信号的特征提取和分类打下了基础。2.在运动想象脑电信号的特征分析与特征提取阶段:对传统的时域分析法、频域分析法、时频分析法、空域分析法以及卷积神经网络（Convolutional Neural Network,CNN）分析法等特征提取方法的研究结果表明:CNN提取特征的效果优于其他方法。在此基础上,针对脑电信号样本少、特征少的特性,采用CNN对脑电信号分类效果差的问题,提出了一种新的CNN提取特征的方法,相比传统脑电特征提取方法,取得了更好的特征提取效果。3.在运动想象脑电信号的分类阶段:在上述研究的基础,将改进后的CNN提取特征的方法引入生成对抗网络中,并对生成对抗网络的鉴别器进行改进,提出了一种生成对抗网络脑电信号分类方法。实验结果表明,改进后的生成对抗网络分类准确率比改进前提高6.54%,三分类准确率达到96.97%,比传统卷积脑电分类方法提高了3.52%,分类准确率较高,对多类运动想象脑电信号的分类有很高的参考价值。