脑-机接口(Brain-Computer Interface,BCI)技术是一门多学科融合的新型人机结合技术。目前较为普遍的是利用大脑特定活动产生的脑电信号控制外部电子设备,其基本原理和过程是首先使用电极采集到脑电信号,再经过放大、去噪、滤波等一系列预处理后,最后利用特征提取与分类算法进行解码来控制外部设备。有效提取脑电信号数据特征并准确分类是脑-机接口技术的关键,利用深度学习方法解决脑-机接口领域中脑电信号分类的难题至关重要。本文的研究内容主要分为以下两个部分:(1)针对运动想象脑电信号的非平稳性、时频特性明显等特征,本文提出一种基于S变换(S transform)时频图像结合卷积神经网络与极限学习机的运动想象脑电信号识别方法。在BCI竞赛数据集中,首先获取脑电信号的S变换时频图,再从时频图中选取特征频段进行组合,最后把组合图像作为神经网络的输入,实现对运动想象脑电信号的分类。S变换有效克服了短时傅里叶变换的不足,同时将卷积神经网络与极限学习机结合有效提升了卷积神经网络的泛化性能。实验结果表明卷积神经网络与极限学习机结合对左右手及右手和脚2类运动想象脑电信号时频图像的识别准确率高,在跨被试实验上有着良好的泛化性能。在对多类运动想象分类实验中,实验模型出现了过拟合情况,说明此方法不适用于多类运动想象的分类任务。(2)与图像和语音信号相比,昂贵的脑电信号采集设备使得大规模的脑电信号数据采集变得困难,所以一个可行的办法是人工制造数据以弥补原始数据量小的缺点。因此本文提出一种基于ACGAN(Conditional Image Synthesis with Auxiliary Classifier GANs)的左右手运动想象脑电信号数据扩增方法,在已有小数据集的基础上有效扩展了时频特征图像数量,提升了分类器的分类性能,克服了数据不足的问题。