基于运动想象（Motor Imagery,MI）的脑机接口系统在卒中患者运动功能恢复方面占有一定地位,因此运动想象脑电信号（Electroencephalogram,EEG）的高精度分类具有重要意义。随着运动想象种类以及被试者数量的增加,算法的分类性能需要得到提升。本文基于深度学习方法研究MI-EEG信号的分类。本文主要工作为以下内容:1.总结基于深度学习的MI-EEG信号分类算法。对近几年国内外利用深度学习方法分类MI-EEG信号的研究进行了总结,主要内容如下:输入数据的形式主要有原始数据、图像和提取特征;数据增强方法主要有滑动窗口、添加噪声、对抗生成网络、分割重组;神经网络模型主要有卷积神经网络（Convolutional Neural Network,CNN）和循环神经网络（Recurrent Neural Network,RNN）,以及两者的混合。2.提出基于深度学习的端到端分类模型。首先,本文根据EEG信号多通道时间序列信号的特点,提出一种新的样本表示方法,将多通道信号转化为单通道处理。这种表示方法能够增加神经网络输入样本数量的同时减小计算量。然后,设计了多层一维CNN模型,自动学习EEG信号中隐藏的与不同运动想象任务有关的时频信息。最后,考虑到运动想象为一种时间上的持续性状态,提出在单独CNN模型的基础上加入RNN的变体门控循环单元（Gated Recurrent Unit,GRU）,分别设计了串联CNN-GRU和并联CNN-GRU混合网络模型。混合网络模型在提取时频信息的基础上,增加了采样点之间存在的时间依赖信息。实验结果表明,本文所提方法在公共数据集上的性能优于前沿算法。且混合网络模型的抗噪能力更强,在实际数据上的效果均优于单独的CNN模型,其中串联CNN-GRU模型的表现最为突出。3.完成实际数据的采集以及控制应用。设计了基于音频引导的运动想象实验范式,共采集了14名被试者的运动想象脑电信号作为实际数据集。利用算法对实际采集数据集进行分类,最高得到90%的准确率。最后,将运动想象脑电信号四分类算法应用到智能车控制中,分类结果输出转化为控制智能车前后左右运动的命令。