在21世纪,心脑血管疾病的死亡率居各种死因的首位,全球每年约有一千五百万人饱受脑卒等心脑血管疾病的折磨,导致永久性的肢体瘫痪。心脑血管疾病不仅给患者的衣食住行带来极大的不便,也给他们的家庭带来庞大的经济压力。然而,单一的被动锻炼只能保证患者的肌肉不发生萎缩,无法从根源上恢复神经系统的相关功能。因此,越来越多的患者期望获得康复治疗,使四肢重新获得正常的运动功能。随着患者基数的增长,康复医疗资源呈现供不应求的局面,越来越多的康复机器人被研制出来,以缓解紧张的状况。但是,市场上大多数产品只能完成被动的、机械的预定动作,无法协助患者重塑神经通路,达不到治愈的效果。只有将患者主动的运动意图,与机器反馈有效地结合,才能调动患者做康复锻炼的积极性。在采集患者运动意图的方法中,基于运动想象的脑电信号（EEG）不仅操作简单,而且不会对人体造成损伤,是用来做机器人控制的不错选择。本文研究了基于运动想象的康复机器人控制方法,通过采集基于运动想象的脑电信号,经过去噪、信号重构,生成EEG-Images,再用深度学习的方法将脑电信号分类,以控制踝关节医疗康复锻炼设备,建立一个有效、安全的系统。本文首先介绍了脑机接口技术在康复机器人领域的实际应用,并分别讨论了脑-机接口和脑电信号处理在国内外的研究现状,由此引出本文的主要研究内容。其次,本文开展了脑电信号（EEG）采集与预处理的相关工作,针对脑电原始信号中包含的高频噪声,引用小波分解的方法滤除,并提取了脑电的功率谱信息,最后再利用小波重构算法,探索了最优化的重构方案,达到了既滤除高频干扰信号,又不丢失有用信息的效果。再次,本文研究了基于深度学习的脑电信号分类方法,将脑电信号中的功率谱信息与电极位置结合,生成32x32尺寸的EEG-Images,并用四种网络模型做数据测试,得到了较高的分类精度。最后,本文开展了踝关节康复机器人后台系统的搭建工作,不仅为上位机构建了简洁、易用的图形界面,使控制信号安全传递给下位机,而且为下位机信息的反馈提供了接口,使患者的锻炼情况实时显示在图形界面中,以形成一个安全、稳定、易用的康复锻炼机器人平台。