脑-机接口（Brain-Computer Interface,BCI）系统在医学领域具有广泛应用,它能够绕过正常的周围神经通路,实现大脑与外界环境直接交互。基于运动想象（Motor Imagery,MI）的BCI系统可以监测和提取人脑MI过程中脑电（Electroencephalogram,EEG）信号的变化,通过特征提取和模式识别来判断不同的MI任务,完成控制指令的输出,成为人脑与外部设备沟通的桥梁。由于EEG信号存在低空间分辨率和低信噪比问题,如何有效提取运动想象脑电（MI-EEG）信号特征并准确分类是MI-BCI技术研究的重点。本文针对MI-BCI系统,重点研究MI-EEG特征提取和分类新方法,提出了几种有效的MI-EEG特征提取方法和分类识别模型,主要工作分为以下几个方面:1.针对MI-EEG信号识别问题,提出了一种融合局部重参数化方法的深度学习模型,将局部重参数化方法应用到卷积神经网络中直接处理MI-EEG信号。结果表明,该模型在Physio Net数据集下20名被试、50名被试、80名被试、109名被试的平均准确率分别为92.98%、98.53%、92.86%、92.37%。2.提出了一种结合递归图（RP）和贝叶斯卷积神经网络（BCNNs）的模型,实现对真实运动和运动想象任务的分类识别,使用Physio Net数据集下25名被试的脑电数据验证该模型的有效性。结果表明,2-class、3-class、4-class、5-class的平均准确率在真实运动下分别为97%、96.96%、95.76%、96.09%,在运动想象下分别为96.77%、96.52%、95.25%、96.28%。3.为了从空间域的角度分析运动想象和真实运动过程中的差异,我们使用相位锁相值（PLV）和相位滞后指数（PLI）两种方法构建功能性脑网络。通过计算PLV和PLI权值网络对应的聚类系数、度分布等特征参数来对比和统计分析不同运动任务对应的脑功能网络特征,并研究在执行运动想象和真实运动任务过程中不同脑区之间的功能连接特性。进一步,通过融合不同滤波器子集下的PLV和PLI矩阵构建空间谱特征,使用3DCNNLSTM模型进行特征识别和分类。结果表明,该模型在20名被试、50名被试、80名被试、103名被试的平均准确率分别为83.09%、76.3%、75.02%、74.54%。