基于运动想象脑电信号的脑机接口系统,指的是当人在做运动想象任务时,大脑皮层会产生相应的脑电信号,然后对产生的脑电信号进行分析和处理,最后通过计算机系统与外部设备相互通信。目前,运动想象脑电信号分类识别技术已被应用于各个领域。例如,在脑卒中康复的医疗领域和现代人工智能机器人尤为突出。同时也在脑机接口控制的游戏和虚拟现实等娱乐领域也被应用,以及在军事上应用等等。本文分析了国内外关于运动想象脑机接口领域的相关工作。首先,在传统的机器学习算法上进行脑电信号分类识别的研究,比较现有方法的优缺点,对脑电信号展开更深入地研究。其次,分析了当前应用到脑机接口系统的深度学习算法,现在的深度学习算法主要是基于卷积神经网络的脑电信号识别与分类研究。在深度学习算法对比后发现目前的卷积神经网络主要存在的两个方面的问题:第一个问题是:现有的卷积神经网络中大多数使用的是单一卷积尺度对受试者进行特征提取与分类识别。由于脑电信号不仅是时域非平稳信号,而且个体之间的差异性较大,所以脑电信号的采集会随着实验时间和受试者的变化产生较大的波动。因此,单一卷积尺度的神经网络无法提取到脑电信号的最佳特征,从而导致卷积神经网络的分类性能较低。第二个问题是:由于脑电信号的采集过程非常复杂,同时脑电信号的采集还会随实验时间的增加会产生明显的差异。所以,采集到可用的脑电信号数据集的数据量非常有限。因此,由于脑电信号的数据量不足,从而脑电信号在进行卷积神经网络训练时容易发生过拟合的现象,很大程度地限制了深度学习算法的性能发挥。为了解决单一卷积尺度的卷积神经网络无法对受试者脑电信号进行最佳适配的问题,本文根据滤波器组共空间模式的方法,设计了一种并行多输入的混合尺度卷积神经网络模型,从而更好地对运动想象脑电信号进行分类识别。所设计的并行多输入的混合尺度卷积神经网络模型的结构,首先可以充分利用运动想象信号的节律信息,其次,在不同卷积核尺度的特征提取下,能够充分提取更多的特征（时间特征、频率特征和空间特征）。也就是本文所设计的深度学习算法可以更充分地利用运动想象脑电信号中的运动相关信息,从而提升了脑机接口系统的性能。同时,为了解决脑电信号数据量有限的条件下卷积神经网络容易产生过拟合的现象从而限制了深度学习算法的性能。本文结合运动想象脑电信号的基本特点,设计了三种脑电信号的数据增强方法:基于经验模式分解数据增强算法、基于时间和频率数据增强算法以及基于高斯噪声数据增强算法。利用所设计的并行多输入混合卷积神经网络模型和脑电信号数据增强算法相结合的方法,进一步提升基于运动想象脑机接口的分类性能。最后对所提出的多输入混合卷积神经网络模型和脑电信号数据增强算法在脑机接口竞赛的两个公共数据集上进行了详细的实验结果分析。在所设计的实验中分析结果,本文提出的并行混合卷积神经网络模型结合数据增强算法的方法在两个公开数据集上分别达到了81.87%和84.17%的平均分类准确率。相比较于现有其他方法有较大的性能提升,说明本文所提出的方法可以有效改善脑机接口的性能,同时能够更加高效地完成人机交互的任务。最后,总结了本文的全部内容,分析了本文所设计的深度学习算法和数据增强算法的现有不足之处,最后对未来工作进行了展望。