脑电信号因其能够真实的反映人的大脑活动的特点成为了脑机接口研究领域的热点,而在基于脑电信号的各项研究中,注意力检测因其与人们的生活息息相关而得到了广泛关注。本文提出了一种基于同步性脑网络特征的注意力识别算法（algorithm based on Synchronous Brain Network,SBN）,该方法利用脑电信号计算两两电极间的锁相值（Phase Locking Value,PLV）并以此构建同步性脑网络作为特征,选择卷积神经网络（Convolutional Neural Network,CNN）作为分类器,因为它可以更好地提取网络的结构信息,并通过自学习的方式寻找注意力相关的重要特征。为了进一步提高算法的分类准确率,弥补SBN算法中未能很好地提取信号的时域信息的缺陷,提出了一种基于同步性脑网络与长短时记忆网络的注意力识别算法（algorithm based on Synchronous Brain Network and Long Short-Term Memory,SBN-LSTM）,该方法在SBN算法的基础上,使用SBN算法中的卷积神经网络结构提取样本结构信息,多个时序样本中提取到的信息又经过长短时记忆网络（Long Short-Term Memory,LSTM）对其中的时域信息进行提取与特征整合,并最终输出分类结果。该算法能同时提取样本中的时域与结构信息,相比于SBN算法更加适合当前的应用场景。实验结果也表明其分类准确率要略高于SBN算法。针对SBN算法计算时间较长导致实用性差的问题,提出了一种基于同步性脑网络与信息增益的注意力识别算法（algorithm based on Synchronous Brain Network and Information Gain,SBN-IG）,该方法在SBN算法的基础上,增加了一个基于信息增益的特征稀疏化过程,特征矩阵在输入分类器之前需要先进行稀疏化操作,从而剔除对分类提供较少贡献的冗余特征,保留较高贡献的特征,这样在尽量保证分类准确率得前提下,既降低了计算PLV值与分类结果所需的时间,使得算法效率大大提高,也降低了分类需要的电极数,有利于算法的应用。