随着人工智能的兴起,使得脑科学的研究成为认知科学领域研究的热点。关于脑科学认知的发展,以空间认知训练和评估为首的研究目前成为了国内外研究者的聚焦点。目前,在空间认知训练的脑电数据识别方面取得了大幅度的进展,主要包括提取相应脑电数据的耦合特征和多样化的数据分类。但当前空间认知训练的任务态脑电特征提取存在一定的不足,主要体现在计算两两脑电通道耦合特征时较少考虑其他通道的影响和脑电通道空间位置的影响。此外,能否找到具有更好泛化性能、更高分类性能的分类器也是目前研究脑电数据需要攻坚的难点。因此,本文在参考了目前国内外研究资料的基础上,结合深度学习等技术提出了新的脑电耦合特征提取方法和分类方法。首先,提出了基于多维排序条件互信息共空间模式（Multivariate Permutation Conditional Mutual Information Common Spatial Pattern,MPCMICSP）的脑电耦合特征提取方法,该方法打破了传统共空间模式对于信号严格的线性假设。在MPCMICSP方法中,用多维排序条件互信息耦合系数矩阵代替传统共空间算法中的协方差矩阵,不仅考虑了其他脑电通道对耦合特征的影响,还可以根据脑电信号的线性相关程度来建立对应的空域滤波器从而得到相应的脑电空域特征,进一步改进了以往的脑电特征提取方法。然后,在卷积神经网络的基础上引入卷积并行融合策略,提出了多尺度卷积特征并行融合分类模型。由于传统的卷积神经网络输入尺寸单一,无法取得多样化的图像信息,因此借助多尺度的卷积核来改善;此外为了实现高低层特征间的互补性,引入Res Net网络中的并行融合策略,并结合梯度自动随机下降方法对模型进行优化,以提升网络结构的稳定性。最后,为了验证上述两算法的性能,本文选取了训练前后两次的测试数据作为数据集,并将过往的特征提取方法和分类方法与本文提出的新算法逐一比较。根据结果显示,本文提出的新算法比之前的算法有着更高的准确率,更好的健壮性,对脑电信号的识别度有一定的提高。