近年来,深度学习技术迅速发展,其在图像处理、语音识别和自然语言处理等领域得到了广泛的应用。本论文将深度学习运用到脑电信号处理中,利用自适应遗传算法优化的栈式稀疏自编码网络进行脑电信号降噪。脑电记录易受到眼电等伪迹影响。去除眼电伪迹是脑电信号处理的关键步骤。本论文使用自适应遗传算法优化的栈式稀疏自编码器去除脑电信号中的眼电伪迹,在模型训练完后可以通过模型快速且自动地去除眼电伪迹。本文工作分为三部分。首先,利用模糊c均值聚类方法对采集到的脑电信号进行分类,区分受眼电伪迹强的时段和受眼电伪迹弱的时段,划分模型的训练集和测试集。接着,对自编码网络引入稀疏化和堆叠操作构成栈式稀疏自编码网络,并使用自适应遗传算法对网络结构和网络连接参数进行优化,获得合适的网络参数组合,加快网络训练的收敛速度。经过训练的模型在测试中可以达到移除眼电伪迹的效果。最后,将所提出的方法与小波变换、独立成分分析(ICA)、主成分分析(PCA)和浅层网络方法进行对比实验。实验结果表明,本文提出的方法在脑电信号重建和眼电伪迹去除都具有最好表现——对于含有眼电伪迹的脑电信号段,该方法能够有效地去除眼电伪迹,对于不含眼电伪迹的脑电信号段,该方法能较好地保留波形的原始细节,而且在不同脑电测试者之间该方法具有良好的泛化能力。