机器学习算法早在20世纪60年代就已经出现,而随着计算机硬件设备的飞速发展,高性能计算得以实现,因此近年来深度学习算法作为机器学习的一个重要分支,得到快速发展,在各领域中均有突出表现。在医疗健康领域,深度学习也被用于各种临床实际问题。脑卒中所引发的偏瘫后遗症一直是一个困扰患者和医护人员的难题,被动的康复手段在临床中的表现不尽人意。因此,本论文提出了一个基于深度学习来识别脑卒中病人脑电信号的方法,主动诱发病人进行康复训练,并在深入分析深度学习模型识别病人手部运动想象原理的基础上,提出了整套康复体统的搭建流程,从而达到辅助医护人员对病人进行康复治疗的效果。本论文主要从以下三个方面进行了相关研究,现将主要工作总结如下:首先,从课题研究的背景出发,由脑卒中疾病所引发的偏瘫型运动功能障碍,介绍了其危害与现有康复手段,并指出了其中存在的问题。通过详细介绍基于BCI运动想象的康复疗法,阐述课题研究的基础原理和研究价值。其次,通过EEG信号的产生机理和其蕴含的信息,对运动想象过程的产生以及事件相关性去同步/同步化(ERD/ERS)现象进行了详细介绍。给出了EEG信号处理中应用最为广泛,效果最突出的STFT和HHT算法的理论证明。并依据信号处理理论,论述了本文所采用的信号增强技术。再次,从脑卒中手部康复训练系统搭建的流程出发。通过系统工作流程,简明的介绍了康复系统的整体结构和搭建方法。从系统软件、硬件大部分出发重点介绍了脑电信号采集,信号处理,算法模型,控制系统以及控制设备等几个重要模块的设计思路与搭建方法。并通过实际测试中所遇到的问题,对康复系统进行了优化和改良,初步实现了脑卒中手部康复系统设计理念和预期目标。最后,在用于识别患者运动想象脑电信号的算法模块中,比较详细的介绍了运动想象实验范式的设计流程以及模型训练中所用到的三个数据集。在模型算法选取时,采用多个运动想象识别算法在数据集上进行测试,对比其分类效果,证实了本文所采用的模型算法在识别过性能上的优势。并通过不同模型在数据增强技术中的表现与原始数据集分类效果进行比较,验证了该技术的可靠性。