脑-机接口依靠直连大脑和外界设备实现二者的实时互动,是面向未来的人机交互形式。近二十年来,脑-机接口发展迅速,从临床医学逐渐扩展到通用人机交互领域,新方法、新产品层出不穷。但脑-机接口距离“自由人机互联”的最终目标仍面临诸多障碍,系统的成本、性能均有较大的发展空间。脑-机接口的核心技术之一是脑电信号分类技术,脑电信号分类的准确率直接关系到系统是否具备实用能力。另外,目前的脑-机接口尚需要固定的范式来降低交互难度。人的想象运动与实际运动能够在大脑运动皮层区产生相似的电活动,这一生理基础使想象运动成为重要的脑电实验范式之一,但在不同被试上的大方差、同一被试上的时变性又使想象运动脑电分类问题困难重重。深度学习对传统机器学习、模式识别尤其是计算机视觉和自然语言处理的大幅革新让许多领域看到了突破的希望。脑-机接口研究者也尝试从深度学习方法中受益,但训练样本较少、不同被试间方差大、特征时变等诸多因素增大了问题的不确定性,也使相关研究进展相对缓慢。目前的成果主要基于深度信念网络和卷积神经网络,而许多尝试表明卷积神经网络很适合用来做信号处理,且卷积模型的结构特性让端到端方法变得更容易实现。本论文从几种可靠且表现良好的基线模型出发,将用于想象运动脑电分类的端到端卷积神经网络(MI-CNN)抽象为三个单元,将这类模型的设计方式模块化、范式化;针对MI-CNN的各项重要超参数的选择及信号的预处理方法对分类结果的影响做了详细的检验。在此基础上提出了多核滤波器组卷积方法,使模型更充分地提取频域特征,且能够与已有模型无缝衔接。该方法进一步提升了各基线的分类准确率,使之超过了现有的最优结果。使用预训练-微调框架,研究MI-CNN的迁移学习能力,先使用外部数据初始化模型参数,再导入当前被试数据进行校准;还使用分层学习率和少量被试数据研究了小样本迁移问题。实验结果表明外部数据预训练、被试数据微调的方法能够进一步提高分类准确率,而小样本迁移可转化为对在线带反馈系统的改进。对MI-CNN进行了扰动因子分析实验和振幅扰动可视化分析,通过实验表明较少的样本规模影响了模型的稳定性,但其仍能从数据中学到与想象运动脑电活动高度相关的信息。