21世纪是脑科学领域快速发展的时代,脑科学为认知科学的发展提供了准备条件,空间认知能力训练与评估也日益受到国内外学者的广泛关注。其中,脑电数据的耦合特征提取与分类识别成为了空间认知识别的有效方式,并取得了一定的成果。但是当前空间认知脑电数据识别领域在特征提取时较少考虑其他通道对两通道之间耦合的影响,以及各通道间空间位置的重要性,同时探索更高效的分类器也是当前亟待解决的问题。本文从耦合特征提取以及深度学习两方面探索,拟对条件互信息进行改进,然后与多光谱图像转化方法进行融合,并在此基础上提出了新的卷积神经网络方法。首先,提出了基于多维条件互信息-多光谱图像MCMI-MSI(Multivariate Conditional Mutual Information-Multi-Spectral Image)的脑电特征提取方法。针对条件互信息方法只能够计算双通道间的耦合强度与方向的缺陷,本文提出多维条件互信息(MCMI)方法,可以在考虑其他通道影响下计算两两通道耦合强度与方向,然后将多频段组合下的耦合特征进行多光谱图像转化,提出MCMI-MSI方法,有效弥补了现有方法的不足。然后,提出了基于多尺度高密集卷积神经网络的脑电信号分类方法。针对经典的卷积神经网络无法获取理想的多样化特征的问题,使用多尺度的卷积核提取不同精细度的特征;同时实现特征重用,提升效率,引入了DenseNet方法;并将自适应随机梯度下降法应用到多尺度高密集卷积神经网络的优化过程。最后,以受试者进行空间认知训练前后测试到的任务态脑电信号作为实验数据,将上述所提出的两个新方法与已有特征提取以及分类方法分别进行了对比,结果表明新提出的两种算法具有可行性、有效性及准确性,能有效地应用于空间认知脑电信号识别中。