运动想象脑机接口技术作为一门新兴的、多学科交叉的技术,具有重要研究意义。而衡量运动想象脑机接口系统性能的一个重要指标是对脑电信号识别的精度。因此,针对现有方法分类性能难以提高的问题,本文在Physio Net网站中的公共数据集的基础上,开展了基于深度学习算法的运动想象脑电信号的分类研究。以下是本文的主要研究工作:（1）本文首先根据运动想象EEG的频率范围,让原始数据集通过8Hz-30Hz的带通滤波器进行滤波处理;然后使用ICA独立成分分析剔除伪迹;最后对单次实验数据进行了时间片的切分,达到数据重构的效果。（2）针对预处理后的数据集,研究了基于注意力机制的Bi GRU运动想象EEG分类模型（记为ABi GRU）。该模型通过双向门控循环单元Bi GRU和注意力层可以提取到脑电信号中更具区分度的时域特征。通过与其他方法对比,发现此模型有一定的可行性。总的来说,本文提出的ABi GRU分类模型因GRU的独特结构,可以在一定程度上解决梯度消失和爆炸现象,而且也取得了不错的分类效果,但仍然存在着不足,需进一步改进。（3）在工作（2）的基础上,提出了基于ABi GRU-Dense Net的新的分类模型。该模型通过ABi GRU网络与密集连接神经网络Dense Net网络相结合,首先通过ABi GRU网络提取到脑电信号时域特征,然后把其特征矩阵作为Dense Net网络的输入,进一步提取出信号中的空间特征,最后进行分类,平均准确率可以达到86.73%。其分类性能优于现存的大部分方法,而且还避免了机器学习算法复杂的特征提取过程,且具有很好的个体适应性和鲁棒性,为运动想象脑电信号的分类研究提供了新的参考。