研究发现人体不同的意识活动能够产生相对应的脑电信号。脑机接口是根据这个特征设计的一种设备,能够将大脑意识活动直接传达至外界,因此有着重要的应用价值。但是由于脑电信号具有复杂性、低信噪比等特点,对其进行特征提取以及分类检测的模型仍存在一些不足,例如相关模型在准确率等评估指标上需要进一步提高。深度学习模型能够自动提取特征,更适用于复杂的脑电信号数据。针对运动想象脑电信号、P300脑电信号,设计了多种数据处理方案以及基于深度学习的模型解决脑电信号分类问题,并采用积分梯度对模型学习的特征进行可视化与分析。本文的主要工作内容如下:1.针对运动想象脑电信号复杂度高、特征具有多样性的特点,采用卷积神经网络解决该信号的分类问题。首先根据是否分割时间域构造数据集,并使用短时距傅里叶变换和连续小波变换进行预处理。然后针对不同数据集的特点设计了两种卷积神经网络L＿CONCAT与S＿CNN,进而完成样本的特征提取和分类。实验结果表明,采用分割时间域的数据集并使用短时距傅里叶变换预处理的方案,配合S＿CNN模型得到的分类准确率最高。最后对预处理得到的特征以及模型学习的特征进行可视化,并解释分析模型决策过程。2.针对P300脑电信号典型特征单一、缺乏稳定性的特点,结合集成学习策略与卷积神经网络设计了集成神经网络。首先分析预处理参数对信号的影响,获取具有显著特征的样本。然后根据不同的集成策略设计了ENCNN＿1与ENCNN＿2,并将P300脑电信号的应用范式与模型合并。实验结果表明,对比单一的卷积神经网络以及具有并行卷积层的神经网络,ENCNN＿1与ENCNN＿2具有更高的字符识别准确率与信息传输率。最后通过使用积分梯度对模型依赖的特征进行可视化并分析决策过程,提高模型的透明性。