脑电信号作为一种从头皮记录的生理信号,其中包含着与大脑皮层活动直接相关的、复杂而隐式的信息。通过分析高分辨率的、不可人为更改和隐瞒的脑电信号,可实时、高效、可靠的获悉人类的大脑活动状态。因其自身的特点与优势,基于脑电信号的分类任务的研究已经被应用在了工业,医学,军事和游戏等领域。但是,脑电信号分类任务中仍然面临着一些由脑电自身特性产生的、阻碍脑电分类任务发展的问题,例如:脑电数据样本量不足和脑电信号间存在时空差异性。针对以上两个问题,本研究分别提出了脑电数据扩增和脑电时空消歧两种方法。在脑电分类领域,可用于科学研究的脑电信号样本量较少是一个普遍存在的问题,该问题阻碍了使用深度学习等技术进行脑电分类任务的探究。由于脑电信号采集条件和成本的限制,现有的公开脑电数据库中的样本量普遍较少,而这种数据短缺会增加将一些需要大量训练数据的模型方法应用到脑电分类任务中的难度。比如,近几年,深度学习方法已经在图像、视频等处理分析领域取得了惊人的成就,但是脑电数据短缺阻碍了基于深度学习模型的脑电分类任务的探究。因为像深度学习这种复杂的模型往往包含大量的模型参数,需要更多的训练数据来支撑参数的训练。为了解决脑电数据缺乏这一问题,并促进深度学习技术在脑电分类任务中的应用,本研究探究并提出了一种简单的基于数据扩增的脑电数据分类方法。该方法以传统脑电分类框架为基础,通过向脑电数据的特征空间中加入一定强度的噪声来快速地生成新增脑电训练样本。经过在两个标准脑电情感识别数据库上比较数据扩增前后浅层模型和深层模型上的效果,实验结果表明本研究提出的脑电数据扩增方法可在现有的、单一任务的小样本量脑电数据集上,快速生成可保持真实数据分布的新增脑电样本,提高基于深度学习的脑电情感分类精度。此外,人类的脑电数据中还存在时空差异性,这种差异性会使得脑电分类模型在个体间或个体内部的不同实验阶段间的泛化能力较差。通常,脑电信号采集自不同个体的多次实验阶段。由于个体间的时间和空间感知差异,相同刺激下,不同个体的脑电信号在时间域和空间域上存在偏离。此外,同一个个体,由于身体状态和认知水平等因素的变化和影响,相同刺激下的多次实验过程中获得的脑电信号也存在时间域上的偏离。这种时空感知差异会导致脑电信号的时序特征不能被充分利用,脑电分类模型在个体间的泛化能力差等问题。为了解决这一问题,本研究提出了一种基于时空消歧的脑电数据分类方法,该方法可构建一个时空统一的脑电分类模型。方法中,首先基于大脑的偏侧性对高维脑电数据进行降维,获得偏侧性特征;然后,在空间域上,使用特征选择算法获取空间有效表达通道;最后,在时间域上,基于空间域上的处理结果,使用时间规整算法将脑电信号向距离最近的表达通道上的信号进行对齐。实验中,首先分别探究了偏侧性降维,空间特征选择,时间规整三种方法的效果,然后进一步结合以上三种操作进行完整的脑电时空消歧方法效果的探究。通过比较方法前后时间序列模型在一个标准脑电视觉分类数据库上的分类效果,实验结果表明本研究提出的结合脑电信号的时间域和空间域特性进行的脑电时空消歧方法不仅可有效地提高基于深度学习的、多个体上的脑电视觉分类效果,还可在一定程度上加快训练模型的收敛速度,节约计算资源。