脑机接口（Brain Computer Interface,BCI）技术不依靠大脑正常的周围神经和肌肉输出路径,而是通过大脑的意识活动来实现外部设备的控制。BCI是人机交互领域一个很有前景的新方向。基于运动想象脑电信号（Motor Imagery Electroencephalogram,MI EEG）的BCI是人机交互领域一个非常重要的分支。本研究以基于MI EEG的BCI技术在智能轮椅上的实际应用为目标,利用深度学习技术对MI EEG的特征提取和模式识别展开研究。针对目前提取特征单一、忽略时序信息、分类准确率低等缺点,提出了基于复Morlet小波（Complex Morlet Wavelet,CMW）的多通道特征融合方法和基于并行CNN-Transformer的运动想象脑电识别方法。主要研究工作如下:针对传统方法提取特征单一、分类准确率低的问题,提出一种基于CMW的多通道特征融合方法,并在此基础上构建卷积神经网络（Convolutional Neural Networks,CNN）模型。该方法首先利用基于复Morlet小波的连续小波变换（Continuous Wavelet Transform,CWT）获得MI EEG的时频图,然后截取多个通道的Mu和Beta频段的时频图,最后将截取后的时频图垂直堆叠在一起从而得到包含时间、频率和位置信息的多通道融合特征图。在公开数据集上对输入CNN模型的多通道特征图进行分类,将结果与传统方法进行比较。结果显示提出方法的分类准确率达到了80.0%,表明了该方法能更好地表征运动想象脑电信号的特征,其有效地改善了分类效果。针对卷积神经网络对运动想象任务识别时只利用局部空间信息,忽略时序信息的问题,提出一种基于并行CNN-Transformer的运动想象脑电识别方法。该方法利用CNN提取空间上相邻的频率和位置信息,利用Transformer捕捉时间上时序信息的内在联系,将两个网络的输出拼接为融合特征向量,采用Softmax函数对输入向量进行分类。在公开数据集上的对比实验表明,与单一的CNN或者Transformer相比,并行网络提高了特征多样性,分类性能更好。与其他方法相比,并行网络具有更高的分类准确率和Kappa值,分别为84.6%和0.685。搭建了基于BCI的智能轮椅控制系统,设计了利用受试者意图控制轮椅移动的控制方案。通过对轮椅的在线识别率和行驶轨迹进行测试和分析,验证了本文提出MI EEG分类方法的有效性和实用性。