作为一种安全,高效地探究大脑内部电神经生理活动的技术,非侵入式的脑电磁脑源成像在认知与开发大脑,脑疾病临床诊断,和脑疾病康复治疗中具有巨大的应用价值。然而,由于脑源成像中反演问题的欠定性,传统方法往往需要引入先验约束以得到唯一解,这些约束往往需要满足数学上的简便而无法真实地反应脑信号神经生理学意义。因此,如何更加准确地融入信号的先验知识是E/MEG脑源成像研究中一个迫切需要解决的难题。针对这个难点,本研究提出了一种基于数据合成策略的深度学习范式,利用时空分解脑源信号以引入真实数据的先验知识,通过合成大规模训练集以驱动神经网络学习E/MEG信号到脑源的映射。通过将脑源成像问题转化到了机器学习框架下求解,问题因此转化为如何构建有效的模型来学习上述的映射。针对这个问题,本文主要进行了以下研究:（1）提出了一种基于数据合成策略的多标签分类学习模型,通过预测脑源的激活状态将脑源定位任务转化为多标签分类问题;在其中提出了基于图卷积网络的标签嵌入学习以引入脑源的空间联系,并通过与表征学习融合来提升多标签分类任务的性能。实验结果表明,该模型能够拥有比传统方法更加准确的定位能力,并且对脑源的尺寸变化更加的鲁棒。（2）提出了一种基于数据合成策略的去噪自编码器模型,通过解决多元回归任务来重构脑源的时间与空间信息;为了更好地提取脑电信号的时空信息,设计了特制的时空卷积模块,并在判别学习中融合了自编码器的表征学习。大量的数值实验以及对真实MEG数据集的分析表明,该模型在估计各种源配置下的源信号方面优于几种经典的源成像方法,并且能鲁棒对抗观测信号中噪音的干扰。基于以上结果,本研究实现了利用数据合成策略的深度学习范式为基础所构建的神经网络模型达成了更准确的脑源成像。为实现更加高效,准确地利用非侵入式脑源成像技术探索脑高级活动的机理奠定了基础。