基于脑电图（Electroencephalography,EEG）的脑机接口（Brain–computer Interface,BCI）已经经历了近50年的研究和发展。BCI通过检测、分析、解码大脑活动,实现大脑与外部设备之间的双向通信。依靠视觉刺激的反应式BCI由于其良好的个体间鲁棒性和信息传输率,成为该领域的一个热门研究方向。当前的视觉通道反应式BCI刺激形式单一,容易引起使用者疲劳,且仅使用了初级视觉皮层信号,对更高级的视觉脑区利用不足。本文使用运动视频作为刺激,诱发来自背侧通路的大脑响应,综合全脑脑电信息建立基于视觉通道视频采集的反编码范式。利用深度学习模型,从脑电信号中提取视觉运动感知的类别信息。主要的研究工作如下:本文利用深度神经网络从脑电中反编码被试对不同运动视觉感知的类别信息。使用了4种运动:收缩、扩张、旋转和平移作为视觉刺激。本文同时研究了单试次和多试次脑电图的分类方法。搭建的基于注意力机制的循环神经网络模型能够突出脑电中的任务相关信息,抑制冗余信息,改善分类表现。对注意力权重的可视化增加了深度神经网络的可解释性。对四种运动的单试次反编码准确率达到了61.74%。本文还提出了一种在线数据增强方法。由于脑电的数据量相对较小,且存在试次间和个体间的信噪比差异性,制约了深度学习模型在处理脑电数据时的泛化能力。本文提出的数据增强方法随机平均脑电信号产生具有不同信噪比的人工信号。在本文采集的物体运动诱发脑电实验数据集上,将设计的注意力循环神经网络和两个基准模型（基于卷积神经网络）的反编码准确率分别提高了5.60%、3.92%和3.02%。单试次脑电4分类准确率达到了67.18%。较高的准确率证明该方法有望应用于引入多类视觉运动刺激BCI系统之中。在证明了从脑电中反编码不同视觉运动刺激类别可行性的基础上,本文探究驾驶状态下解码驾驶员转向意图的方法。采用驾驶员第一视角的左转和右转视频作为刺激,提出一种引入门控机制的膨胀卷积网络作为反编码模型。膨胀卷积为模型提供了不同的感受野,能检测到脑电中不同尺度的信息,在一定程度上克服试次间和个体间的脑电差异。本文设计的门控膨胀卷积模型的被试内和跨被试分类准确率分别达到了81.5%和82.6%的平均准确率,超越了常用的脑电分类基准模型。