作为阿尔兹海默症(Alzheimers Disease,AD)的早期阶段,轻度认知障碍(Mild C ognitive Impairment,MCI)的诊断研究日益受到国内外学者的广泛关注。而对脑电信号进行特征提取与分类是诊断MCI的一种重要途径。当前特征提取与深度学习相结合的研究在脑电信号分析领域得到了广泛应用,但是如何提取适合深度学习分类的有效特征以及如何构建高效的深度学习分类器是当前MCI脑电信号分析领域急需解决的两个主要问题。因此,本文拟探索新的多光谱图像转化特征提取方法以及卷积神经网络分类方法,具体工作如下。首先,本文创新性地将多光谱图像转化方法与卷积神经网络应用于患II型糖尿病(Type 2 Diabetes Mellitus,T2DM)的遗忘型轻度认知障碍(amnestic Mild Cognitive Impairment,aMCI)患者的脑电信号分类任务中。其次,针对多光谱图像转化方法应用于aMCI患者的脑电信号分类任务中存在的特征量不足、计算资源浪费等问题,本文提出了特征融合多光谱图像转化方法。该方法通过多特征融合、多频段组合和参照脑区相关位置等计算过程有效地解决了已有方法的不足。然后,针对卷积神经网络应用于aMCI患者脑电信号分类任务中存在的学习特征数不丰富、特征信息损失与学习缓慢等问题,本文提出了基于InceptionV1的多视野卷积神经网络。该神经网络可以在多尺度感受野内对输入数据进行特征提取与学习。同时,本文分析了随机梯度下降法中学习率选取困难、可能无法得到全局最优解等问题,提出了自适应随机梯度下降法,并将其应用于对多视野卷积神经网络的优化过程中。最后,以具有T2DM的aMCI患者与正常对照组(Normal Control,NC)的脑电信号作为实验数据,将本文所提出的两个新方法与已有特征提取以及分类方法分别进行了对比分析,并对这些算法的可行性、有效性和准确性进行了验证。