运动想象脑电信号由被试者想象肢体运动产生。基于运动想象的脑机接口技术被认为是最具有发展前景的技术之一,它在医疗康复、家居生活、游戏娱乐等方面都有广泛应用。运动想象脑电信号的分析解码是脑机接口技术的核心。但是脑电信号具有低信噪比、非周期性、非平稳性、个体差异性大等问题,导致了运动想象脑电信号解码困难。具体表现为用于分析运动想象脑电信号的模型难以充分学习到其有效特征,模型泛化能力差。本文基于深度学习的最新进展针对运动想象信号特征提取问题和跨被试分类问题展开研究,主要工作如下:构建融合时间自注意力和多尺度空间卷积的神经网络模型解决运动想象脑电信号的时空特征学习问题。采用无监督子域自适应方法优化上述网络模型参数,解决被试个体差异性大,模型泛化能力差的问题。论文具体工作如下:（1）针对运动想象脑电信号的时空特征学习问题,从信号时间和空间的角度出发,构建融合时间自注意力和多尺度空间卷积的网络模型。首先对于信号在时间上特征不突出的问题,在网络模型中引入时间自注意力模块。通过赋予与运动想象任务相关性大的时间点更高的权重,增强信号的时间表征。其次对于模型提取信号空间特征不充分的问题,在模型中引入多尺度空间卷积模块。通过学习信号不同尺度的空间特征,丰富信号在空间上的表征。最后在整体上融合时间自注意力模块和多尺度空间卷积模块,构造出一种提取特征更充分的端到端的运动想象脑电信号分类网络模型。在第四届脑机接口竞赛数据集上对模型进行测试,四分类准确率达到80.25%,二分类准确率达到81.34%。（2）针对运动想象脑电信号个体差异性大,模型泛化能力差的问题,基于融合时间自注意力和多尺度空间卷积的网络模型,采用迁移学习中的无监督子域自适应方法优化模型参数,减小被试间个体差异,提高了跨被试分类准确率。在上述网络的特征提取模块后引入子域自适应模块,以训练集作为源域,测试集作为目标域输入网络,在该模块中采用局部最大均值差异度量源域和目标域特征的距离。将此距离与分类损失一起作为网络的损失函数在优化网络过程中减小,从而达到增强模型分类性能和减小被试间数据分布差异的目的。在第四届脑机接口竞赛数据集上对模型进行跨被试分类测试,四分类跨被试准确率达到73.61%,二分类跨被试准确率达到85.45%。