脑机接口（Brain-Computer Interface,BCI）技术可以实现人脑与外部世界的交流以及控制外部设备。BCI技术是一种不需要依赖周围神经和肌肉的通讯系统,它主要是通过在大脑与外部设备之间建立一条传输通道。在医疗康复、交通以及军事等领域,BCI技术具有广阔应用前景。实现BCI技术的核心是对脑电（Electroencephalogram,EEG）信号进行合理分析并对特征进行提取和分类。使用传统方法对运动想象（Motor Imagery,MI）脑电信号分类研究通常需要进行较多的数据预处理以及繁琐的特征提取和特征分类。与传统方法相比,深度神经网络能自动对特征进行提取并分类。由于脑电信号的信噪比很低,使得并不适合作为神经网络模型的输入。本文主要使用不同的深度神经网络对MIEEG进行分类,并且在分类之前使用共空间模式（Common Spatial Pattern,CSP）空域滤波器用来改善数据的信噪比,并提高分类准确度。具体工作如下:（1）搭建了MLP、CNN和LSTM三种基本神经网络模型,之后将三种模型结合得到CNN-LSTM和CNN-Bi LSTM模型。在BCI竞赛数据集2b上进行实验,结果表明CNN-Bi LSTM分类的效果优于MLP、CNN、LSTM和CNN-LSTM模型,并且根据CNN-Bi LSTM模型,计算不同被试者的平均分类结果的Kappa值,并和竞赛结果的前三名进行对比。CNN-Bi LSTM模型的平均Kappa值比竞赛结果第一名的Kappa值高0.1,且每名被试者的Kappa均高于竞赛优胜者的结果。（2）此外将五个模型应用在实验室数据集上,结果表明CNN-Bi LSTM模型也具有很好的分类准确效果。同时,还记录了模型的训练准确率并绘制训练模型的损失,发现CNN-Bi LSTM具有更好的泛化性。并且还探究对BCI竞赛数据集2b和实验室数据集进行7Hz以下和40Hz以上的带通滤波对神经网络分类结果的影响,结果表明,对原始数据进行带通滤波后,每个模型的分类结果都有一定的提高。（3）为了改善输入数据的信噪比,本文还将CSP与深度学习模型结合,即对经过带通滤波的原始脑电信号基础上,再进行CSP空域滤波,之后采用神经网络模型对特征进行学习和分类。在竞赛数据集上,实验结果表明,CNN、LSTM、CNN-LSTM和CNN-Bi LSTM模型结合CSP空域滤波的平均结果要比只进行带通滤波的平均结果高出0.83、0.41、1.86和0.19;在实验室数据集上,结果表明,MLP、CNN、LSTM、CNN-LSTM和CNN-Bi LSTM模型结合CSP空域滤波的平均结果要比只进行带通滤波的平均结果高出1.67、1.84、1.67、1和2.5。本文提出的在原始数据进行带通滤波后,再进行CSP空域滤波,可以有效帮助深度学习模型提取到有效特征并提高分类的结果。