脑-机接口(BCI)系统通过研究人脑所发出的电流信号在大脑皮层的运作方式,让大脑可以不通过外围神经系统运作直接实现与外部环境之间的交互,这个技术实现的关键点就是对于大脑产生的各种脑电信号进行合理的处理以及利用算法进行有效的识别和分类。为了提高对脑电信号的识别率,本文提出了一种基于经验模态分解(CEEMD)递归图和卷积神经网络的两级特征提取方法,在CEEMD分解的基础上,构造运动想象脑电信号的多尺度递归图作为脑电识别的一级特征,然后将重构后的CEEMD多尺度递归图作为卷积神经网络的输入,对其进行第2级的特征提取和分类。具体过程为,首先利用完备总体经验模态分解CEEMD将运动想象脑电信号分解为不同尺度的固有模态函数并构造各个固有模态分量的递归图,得到第1级特征;然后,将多尺度递归图视为左右手EEG信号的图像特征,利用卷积神经网络处理图像的优势,从第1级特征中提取到能够更好地表述运动想象脑电信号的特征;在BCI竞赛Ⅳ中的Data-sets 2a数据集上进行实验,最后利用测试数据对两级特征提取的方法进行分类识别率的验证,实验表明,本文提出的结合多尺度递归图和卷积网络的两级特征提取方法对两类运动想象脑电信号的平均识别率为0.6325,比BCI竞赛Ⅳ中第一名的平均识别率提高了约10.77%,说明本文提出的方法能够对两类运动想象脑电信号进行更加有效的分类识别。