在人的成长各个阶段,其注意力状态都对日常生活有着巨大的影响,利用注意力状态识别结果进行神经反馈,可以辅助治疗注意缺陷多动症、提升成年人的专注状态、改善健康老年人的记忆力以及预防阿尔茨海默病等,具有重要的理论研究和临床应用价值。因此,注意力状态识别越来越引起研究者的重视。利用脑-机接口进行注意力状态识别是目前最常用的方法。但由于脑电的非平稳性,不管是传统方法,还是深度学习方法,识别精度都较低。此外,在脑电注意力分类领域,整体数据量也较少。围绕以上两个问题,基于一个包含26名健康被试的公开脑电数据集,本文开展了以下工作:（1）利用二分支三维卷积神经网络提升被试内注意力状态识别性能。首先,我们结合各电极的空间信息,构建了脑电数据的三维表征以最大限度地保留其相对空间位置信息。其次,我们提出了二分支三维卷积神经网络模型,以在三维表征的基础上融合不同尺度上的特征进行分类。实验结果表明,在被试内分类场景下,所提出的模型获得了比基线模型更好的性能。（2）利用生成对抗网络进行数据增强以提升被试内注意力状态识别性能。首先,我们提出了一种适于脑电信号的生成对抗网络来进行数据生成,生成脑电信号与真实脑电信号在时间维度上的变化趋势相似。我们将生成脑电与真实脑电数据融合在一起作为训练数据进行被试内注意状态识别,实验结果表明,增强后的数据可以在不同程度上提升各个模型的性能,利用生成对抗网络可以在一定程度上缓解数据量少的问题。（3）利用跨被试与自适应训练方式提升目标被试注意力状态识别性能。当利用跨被试训练方式时,不仅增加了训练数据量,也能免去费时费力的校准过程。另外,自适应训练是在跨被试训练所得到的模型上,利用目标被试上的少量数据进行微调,使模型进一步适应目标被试上的数据分布,以此提升分类性能。实验结果表明,跨被试训练方式可以在一定程度上提升各个模型的泛化性能,并得到高于被试内的分类结果。而使用自适应训练方式时,能获得高于跨被试训练的分类结果。另外,这部分也是第一部分的拓展实验,通过与基线模型的对比,进一步表明所提出的三维卷积神经网络模型的优势。