脑科学是21世纪研究的热门领域,脑电图（EEG）作为脑科学的重要研究手段之一,具有高时间分辨率的优点,EEG溯源研究对临床诊断和大脑认知功能的探索具有重要意义。本文基于等效偶极子（ECD）模型,利用深度神经网络对EEG逆问题进行求解,分析了不同结构神经网络对单偶极子源重建的影响,并将其应用到工作记忆任务态脑电源定位中。本文首先研究了多层感知机（MLP）模型求解脑电逆问题。首先采用四层同心球头模型,随机生成10万个样本,其中60%用于网络训练,20%用于交叉验证,最后20%被用作测试集。然后设计了不同深度和宽度的MLP模型,对不同深度的MLP模型性能进行测试,发现7层模型（MLP-7）表现较优。对MLP-7的宽度、学习率和迭代次数进行研究,得到了该模型的最优函数MLP-7。该函数所需预测时间短,能实现偶极子的精确定位,与浅层网络相比具有良好的泛化性能。然后研究了卷积神经网络（CNN）求解脑电逆问题,构建了三个不同结构的CNN模型,CNN-1只包含一个卷积一个池化,CNN-2包含6个卷积层和6个池化层,CNN-3包含6个卷积层和3个池化层。结果表明,CNN-3模型表现最优,定位精度高,预测时间短,其绝对误差约为0.015,相对误差约为0.005。将卷积神经网络模型CNN-3与多层感知器模型MLP-7对特定单偶极子的溯源结果进行了比较,发现CNN-3表现更为优秀,进而研究了噪声对CNN-3模型定位效果的影响,实验结果证明了深层卷积结构在脑电偶极子源定位中的优越性。最后使用CNN-3模型对不同情绪背景下工作记忆任务态的脑电进行源定位,利用DRM范式实验采集脑电信号,将源定位结果与Curry8溯源结果进行比较。结果显示,脑电激活源主要分布于额叶和颞叶,在不同情绪背景下的溯源结果略有不同,该溯源结果与生理学认知相符,与Curry8溯源结果一致,证明了该方法对真实脑电逆问题进行求解的可行性。本文利用深度神经网络的学习能力,快速得到脑电逆问题的解,显著降低了逆问题求解所需时间,且不需要给出先验知识,避免了主观经验判断带来的误差,提高了脑电源定位问题的定位精度,有利于推进脑电偶极子源定位问题的研究进程。