测量注意力水平在医学、监控、检测、驾驶、游戏等方面有很多好处。注意力水平可用于识别儿童注意缺陷多动障碍（Attention Deficit Hyperactivity Disorder,ADHD）等病症,以此来评估神经反馈治疗的可靠性,为一些脑部疾病提供了治疗手段。注意力水平也可用于评估驾驶员的疲劳状况,通过采取对应的唤醒反馈机制,可有效避免因驾驶员疲劳而导致的车祸事故的发生,因此,建立注意力机制模型是非常有意义的。利用脑电图信号来研究注意力的生理机制,测量其水平,并检测该机制下的认知功能,是脑机接口（Brain Computer Interface,BCI）系统中热门的研究方向,而如何准确且有效地提高与注意力相关的脑电信号（Electroencephalogram,EEG）分类精度是该研究的关键,也是本文主要研究的问题。首先,为保证数据的可靠性,本研究采用自测数据进行实验,实验中采用了单通道EEG信号设备进行数据采集,并设计了与注意力相关的实验范式。本文重点聚焦三种不同任务进行过程中的注意力水平情况,对多个受试者采集数据并解析验证。其次,由于原始EEG信号中存在着较大的眼电信号（Electrooculogram,EOG）干扰,导致对后续注意力任务的分类会产生影响,因此,本文提出了一种基于单通道的EEG信号去眼电伪迹的算法。首先,采用分离技术将混合脑电信号分解为EEG分量和EOG分量,其次,对分离出的EOG分量采用小波阈值去噪技术进一步分离出其中包含的部分EEG分量,最后对所有EEG分量进行重构。对比其他算法,该算法效果显著,最大程度地保留了EEG信号。接着,对纯净的EEG信号进行特征提取,本文通过小波包变换获得各频段的节律信号,获取对应的能量、均值等统计特征以及功率谱特征,并计算了EEG信号的样本熵。最后,采用稀疏自编码器的网络模型对上述获得的注意力相关的EEG信号特征进行分类,仿真结果表明该网络模型有效的提高了分类的准确度,相比于其他单通道EEG信号分类模型,准确率可达到97.9%。综上所述,本研究的成果有助于更好的通过EEG信号分析不同的注意力状态,为疲劳驾驶、电子教学等实际应用提供理论支持。