随着各国政府对脑科学领域研究的不断关注,有着广泛应用前景和理论研究价值的脑-机接口也成为跨学科的研究热点。脑-机接口技术可以为人类提供一种新的与外界交流信息的方式,通过该技术,大脑可以不依赖外周神经和肌肉直接向机器发送指令。尤其在医疗康复领域,为那些中枢神经受伤导致闭锁的病人提供了一种重要的交流方式。而脑电信号的分类是影响脑-机接口性能的重要环节,也是本文研究的重点,本文的主要研究内容和创新点概括如下：1.提出了改进的MFCC脑电信号特征提取算法,并在研究了常用的空域的特征提取方法共同空间模式算法以及基于非稳态信号的特征提取方法短时傅里叶变换算法的基础上,通过实验对三种提取方法的性能做了对比,证明了该方法的优越性能。2.讨论并通过实验验证了不同网络层数、节点数以及输入的不同通道数对应用深度网络进行脑电信号分类的影响,对用于脑电信号分类的深度网络的训练参数的优化方法进行了总结。3.研究了深度置信网络、堆叠自动编码器以及深度受限玻尔兹曼机这三种深度网络在脑电信号分类中的性能,此外本文还通过实验对三种特征提取方法与深度网络结合的性能进行了研究。总的来说,本文在充分研究国内外脑电信号处理的相关工作的基础上,深入研究了脑电信号产生的机理与各种信号在医学领域的特点和意义,以低信噪比、非平稳信号的运动想象电脑信号作为切入点,借助脑电竞赛中的数据对脑电信号的特征提取及深度学习的分类方法进行了大脑的创新和实验,为研究更加实用、高效的BCI系统提供了新的思路和方法。