使用运动想象脑电信号作为输入的脑机接口搭建了大脑和外部电子设备之间交流的通道,可以通过识别脑电信号来控制外部设备。目前神经网络在运动想象领域获得了广泛的关注,然而该技术目前存在诸多局限,限制了其发展。主要问题包括:1.不相关的通道会降低分类算法的性能;2.没有考虑通道之间的相互影响;3.基于运动想象的EEG信号分类准确率还不够高。为解决以上问题,本文从深度学习出发,展开了对运动想象脑电信号分类任务的研究,具体工作如下:1.构建了一套运动想象EEG信号数据集。为了采集数据,在天津地区招募了25位被试者。在屏幕的提示信号发出时,被试者需要想象对应的动作,以此在头皮产生EEG信号。每个被试者采集到的数据有320个样本,其中每个动作类别有160个样本,经过预处理之后,可以用于特征提取与分类。该运动想象EEG信号数据集的构建,为后续的运动想象研究奠定了基础。2.选择了最优的运动想象EEG信号特征提取方法。通过使用不同小波函数的连续小波变换来提取运动想象EEG信号的特征,并截取与运动想象有关的频率范围,之后应用于简单的分类器,通过分类结果选择最优的特征提取算法,并且将该算法应用于后续的EEG信号分析。3.针对运动想象EEG信号通道选择问题,提出了基于卷积神经网络的通道选择与分类算法ACS-SE-CNN。该算法的核心是提出了自适应通道选择层,对输入数据的各通道重新调整了权重,并且提出了新的卷积神经网络结构。ACS-SE-CNN实现了端到端的自适应通道选择,并且在所有被试者EEG数据上的平均准确率为87.2±5.0%（平均值±标准差）,具有很好的性能和鲁棒性。4.针对运动想象EEG信号通道之间存在相互影响的问题,提出了基于图神经网络的自适应时空图卷积神经网络ASTGCN。使用欧氏空间的运动想象EEG信号构建了非欧氏空间的EEG图信号,并且提出了自适应图卷积层来动态地聚合通道的信息,之后加入了时域卷积提取EEG信号的时域特征。ASTGCN在所有被试者数据上的平均准确率为90.6±3.4%（平均值±标准差）,准确率和鲁棒性进一步提升。