探索大脑的工作机制一直以来都是人类对自身的重要挑战,人脑经由外围的神经和肌肉通道,完成与外界的沟通交流。脑机接口(Brain ComputerInterface,BCI)旨在提供人脑和外部环境之间沟通的桥梁,但不依托于脑的正常输出通路,通过对采集到的脑电信号进行处理,进而将各异的思维状态转化成不同的控制命令,完成对外部设备的控制。脑电信号是因大脑神经元受刺激而产生一系列脑电节律变动的行为输出,通常作为基于运动想象的BCI系统研究的理论依据。针对有监督学习容易造成未标记样本的浪费和手动特征提取容易导致脑电信号信息丢失的问题,本文研究的主要方向是采用半监督特征学习方法。本文围绕脑电信号的特征提取和分类识别方法等内容开展了研究。针对脑电信号时变特征损失以及现有脑电信号相关深度神经网络对特征提取有效性问题,提出融合稀疏自编码和卷积神经网络的新型半监督脑电识别方法。该方法首先采用稀疏自编码器对一维脑电信号提取稀疏特征,通过误差反向传播方法反复迭代,学习稀疏特征,将其作为卷积神经网络的输入;然后结合稠密卷积神经网络和多尺度卷积神经网络思想,提出多尺度稠密卷积神经网络,以此学习脑电信号高层抽象特征。该方法对于运动想象脑电信号的识别精度较高。此外,传统高斯伯努利受限玻尔兹曼机是无监督训练的生成模型,为减小模型训练的过拟合风险,本文从提出的能量函数出发,在训练中添加稀疏性约束;并在传统的高斯伯努利深度置信网络基础上,与卷积神经网络相结合,提出一种基于高斯伯努利受限玻尔兹曼机的卷积深度置信网络(GB-CDBN)的深度学习网络模型,并依据深度递归神经网络网络,加入残差块,并在特征相加后串联加入BN块,从而使得各层的参数量级上没有太大的差别,并控制数值区间,从而提高深层网络训练的稳定性。