随着科学技术的发展和数据分析能力的进步,脑机接口技术（Brain-Computer Interface,BCI）日益趋于成熟,被广泛应用于医疗康复、航空航天和生活娱乐等各种领域当中,并且是当下工程技术和医疗康复领域热门的研究课题。本文采用深度学习的方法对自发式脑电信号中的运动想象（Motor Imagery,MI）脑电进行实验研究,主要研究工作如下:（1）提出了一种基于改进小波软阈值的消噪方法。针对脑电信号采集过程中常会出现干扰噪声的问题,本文在传统的小波软阈值消噪方法上采用了新的小波阈值选取规则和阈值函数,以信噪比和均方根误差作为评价指标。和传统阈值处理方法对比,改进的软阈值算法不仅改进了传统方法的不足,还得到了更高的信噪比和更低的均方根误差。（2）提出了一种基于增强卷积神经网络模型的运动想象脑电识别方法。首先采用STFT获取脑电时频图。其次构建CNN模型并加入dropout层防止网络训练过拟合,采用带动量的随机梯度下降算法加快参数更新。然后将CNN模型和改进的Ada Boost算法结合,多个预训练CNN模型作为基学习器,改进的Ada Boost算法会根据分类误差率自动更新基学习器,将学习后的基学习器线性组合得到增强卷积神经网络模型。最后采用增强模型和投票法对测试数据进行分类。在BCI CompetitionⅣData Set 2b上对增强模型进行了验证,在仅选用每位受试者前三组数据情况下的平均准确率为76.4%,平均标准偏差为3.7%,都优于其他两种传统方法;在选用所有数据的情况下得到的kappa值为0.63,相较于竞赛优胜者的kappa值提高了0.3。实验结果证明增强卷积神经网络模型在运动想象脑电识别中是有效的,可以增强分类模型的鲁棒性,有利于改善分类效果。（3）提出了一种结合CNN和LSTM的多通道运动想象脑电识别方法。首先采用小波包变换筛选ERD/ERS相关特征频带,利用滑动窗裁剪方式延时间维度获取多帧图像。然后构建CNN模型,通过CNN将多帧图像转换为特征序列矩阵并作为LSTM模型输入;构建LSTM模型,隐藏层采用Bi LSTM单元,使得编码在获取从前往后时间序列关联信息同时还可以获取时间序列从后到前的信息。最后用组合的CNN-LSTM网络模型对测试数据进行分类。在BCI CompetitionⅣData Set 1上对模型进行了验证,选取的四位受试者的平均分类准确率为87.4%,平均标准偏差为2.7%,都优于其他对比模型。实验结果证明模型能够有效的提高二分类准确率,并且具有较强的鲁棒性。（4）提出了一种基于小波相干分析的CNN-LSTM模型脑电识别方法。为了提取通道之间更多关联信息和提升模型准确率,从脑功能网络角度出发,根据小波相干分析获取通道之间的关联信息,实验结果得到平均分类准确率为90.3%,平均标准偏差为2.5%,准确率提升了2.9%。实验结果证明模型得到了进一步优化,改善了模型的分类性能。