脑电信号（EEG）是大脑神经细胞在大脑皮层或头皮表面电生理活动的客观反映,基于EEG的研究及应用越来越广泛。然而,EEG信号信噪比低,在采集过程中易受到干扰,产生大量伪迹,阻碍了基于EEG应用的发展。因此,如何去除EEG中的伪迹得到了越来越多关注。目前主流的基于手动和半自动的方法是耗时且需人工干预,而自动去除伪迹的方法虽然无需人工干预,但具有较大挑战,主要问题在于如何自动提取低信号质量的EEG特征,以及提高模型泛化能力。因此,本文针对EEG伪迹自动去除开展研究,主要研究内容包括:（1）针对现有基于手动/半自动伪迹去除方法的时间复杂度较高、需要较多人工参与的问题,提出了一种基于稀疏自编码器（SAE）和降噪自编码器（DAE）的方法——Cycle SDAE。Cycle SDAE采用了端到端的结构,利用去噪损失函数实现了EEG伪迹自动的去除;另外,通过在目标函数的重建损失函数中加入惩罚项以及引入循环一致损失函数,提升模型自动去除伪迹的性能。（2）针对现有的自动EEG伪迹去除方法在伪迹去除性能以及模型泛化能力不足的问题,同时也为了有效减少人工干预程度,降低模型时间复杂度,提出了一种基于自注意机制的新型自动EEG伪迹去除模型——SA-Divider。SADivider包含SA模块和Divider模块,其中Divider模块由Encoder、Decomposer和Decoder组成。SA-Divider较好的优化了模型结构,有效提升了EEG伪迹自动去除性能,大大增强了模型在伪迹去除方面的泛化能力。（3）我们构建了两个数据集,分别命名为OMC-DEAP和合成数据集（SDDEAP）,每个数据集都有三种类型的数据:含噪数据、清洁数据和伪迹。我们在OMC-DEAP和SD-DEAP上验证了Cycle SDAE和SA-Divider的性能,并各自获得了较好的EEG伪迹去除效果。