互联网的快速发展给现代社会带来了海量的信息,在涉及到处理图像信息的许多领域,图像分析人员所面临的一个巨大挑战成为了如何从海量图片中快速高效地获取感兴趣的目标图像。尽管计算机视觉系统已经可以快速而准确地完成目标识别,然而对于一些低质图片的处理效果仍达不到理想状态。脑机接口可以将用户的大脑活动模式转换成一个简单的消息或指令,是一种新的人机交互方式。基于快速序列视觉呈现（RSVP）范式的脑机接口系统为利用人类视觉系统实现高效的目标图像检测提供了可能,人类视觉系统强大的信息处理能力和现代脑电信号处理算法的快速分析能力得以共同发挥作用。因此,提高基于RSVP的脑机接口系统中脑电信号的识别准确率成为了该系统有效工作的关键。传统机器学习算法和深度学习模型在图像和语音处理领域取得了显著的效果,这也引起了脑电信号处理领域研究者们的注意。脑电信号具有低信噪比、非平稳和特异性强等固有特性,这是分析处理脑电信号时所面临的最大问题。针对这些问题,现有的算法和模型提出了不同的解决方案,旨在实现脑电信号的高效分类,且已经取得了可观的效果。然而,现有的算法和模型在分析处理脑电信号时,忽视了RSVP范式下脑电信号的相位锁定特性和电极分布位置信息,这些信息有助于分类脑电信号。本文从RSVP范式下脑电信号的关键特性出发,学习借鉴了当前主流深度学习模型的设计框架,提出了基于时域相位保持的卷积神经网络。该网络在设计时充分考虑了信号在时域的相位信息,提取到了脑电信号更有表征能力的特征表示。为了验证所提出的模型的性能,本文介绍了两个公开数据集和一个本地数据集,在这三个数据集上将所提出的卷积神经网络与现有的优秀算法和模型进行了性能对比,结果表明所提出模型的分类准确率显著高于现有方法。在此基础上,又提出了基于时域相位保持-空域脑拓扑结构的卷积神经网络,该时空卷积神经网络充分挖掘了信号在空域的电极分布位置信息,提取到脑电信号的时空表征用于分类,模型的优越性能在两个数据集上得到了验证。此外,本文对于分类性能对比实验做了进一步的分析和讨论,探讨了不同模型参数对模型性能的影响。进行了时域和空域的特征可视化,结果不仅证明了所提出模型高效的特征提取能力,还与神经科学领域的研究结论所吻合,再次验证了本文方法的有效性。