脑机接口是一种独特的通信系统,该系统可以在不依赖于人体肌肉组织和神经组织的情况下实现个人意图与外部设备之间的直接交互。这种新型的人机交互系统可以有效地提高残障患者与外界的沟通能力,从而提高生活质量,其中,基于运动想象的脑机接口系统通过处理和分析采集到的人脑意识任务信号,并将其转化为相应的指令来控制外部设备,因其具有实际的医学意义,受到了国内外众多学者的关注,并成为人工智能、康复医学和计算机科学等技术领域的研究热点。脑机接口技术的应用依赖于脑电信号识别的准确率,由于脑电信号极易受到外界噪声的干扰,且现有的脑电信号处理方法经常存在信道选择依靠经验、特征工程耗时耗力、特征提取不全面等多种问题,为正确而快速的提取和分类脑电信号带来了挑战,因此,如何有效地提取能够代表大脑活动特征的信息,如何有效地训练出泛化能力良好的分类器是基于运动想象脑电数据分析的重要内容。本文立足于脑电信号的特征提取和分类识别方面展开算法研究,采用可以自主学习的深度学习算法处理脑电数据,并设计了脑电信号采集实验,全面而细致地了解并剖析了基于运动想象的脑机接口系统整个数据采集和处理的过程,主要工作内容如下:1.构建了基于卷积神经网络的脑电信号处理模型。根据脑电信号的空频特性,着重探讨了一种可以表征脑电信号特性的卷积神经网络深度特征提取模型,实验的结果和分析表明,该处理算法具有较好的分类结果以及较低的复杂度。2.构建了基于长短时记忆模型--全连接网络的脑电信号处理模型。在脑电信号的时域特性上找准突破,通过巧妙地结合全连接网络和长短期记忆模型网络的特点,构建了一种长短期记忆模型-全连接网络的深度特征提取模型来捕获脑电信号的时域特性。实验的结果和分析表明该算法具备很高的分类结果,很好的鲁棒性和很强的泛化性。3.设计了脑电信号的采集实验,研究BCI系统的应用。通过实际采集脑电实验,深入理解BCI系统的运作流程,并结合卷积神经网络和长短期记忆模型-全连接网络的优势,搭建了卷积神经网络-短期记忆模型网络对所采集的脑电信号进行空-时分析,进而捕获脑电信号中更具有代表性、可解释性和区分性的特征。本文所研究的模型在多个实验数据上均取得不错的成绩,可以作为通用的脑电信号处理方法,为实现实时在线的脑机接口系统打下算法基础。