脑计算机接口(Brain-Computer Interface,BCI)是允许大脑控制计算机或其他设备而不使用周围神经和肌肉的软件和硬件的组合,也是一种新的交互方式。主要目标是帮助严重残疾人像普通人一样生活,甚至完全恢复。然而,许多其他领域也开始对BCI技术的应用感兴趣,如娱乐,生活,游戏,军事等。由于脑电信号通常是高维多通道的,并且信噪比较低,原始数据中能用于分析的有用信息很少,很难提取脑电信号中的本质特征,而且它是一种具有随机性的序列信号。卷积提取抽象特征的能力极强,同时卷积操作还能增强脑电信号的信噪比;另外,脑电信号的时序信息经常被忽视,采用循环神经网络(Recurrent Neural Network,RNN)挖掘数据间的联系,实现对脑电信号的充分利用。所以本文确定以卷积神经网络(Convolutional Neural Network,CNN)和RNN为基础研究脑电信号特征提取与分类。针对RNN容易导致梯度消失的问题,通过引入门结构的门限递归单元(Gated Recurrent Unit,GRU),使其具有较长的“记忆力”;另外针对网络发生过拟合的问题,采用随机隐退思想的Dropout机制,训练过程中随机删除一定比例的神经元,防止过拟合,增强泛化能力,同时,在特定层引入了批量归一化(Batch Normalization,BN),使数据的输入分布保持一致,加快网络训练速度,一定程度上也可以防止过拟合的发生。并将其应用于运动想象脑电信号识别,对比传统以及常见算法,实验表明所提算法具有更高的准确率。针对网络深度不断递增,提取的特征深度也越深,浅层次特征会被忽视,同时,参数也会成倍增长,计算量会越来越大的问题,提出了一种跨连接的连续卷积长短时记忆网络的脑电信号识别算法。引入跨连接的思想,将浅层次特征和深层次特征分别接入长短时记忆网络(Long Short-Term Memory,LSTM)中,后面利用融合层来完成特征融合,充分利用特征;利用全局平均池化层代替全连接层,大大减少了网络的训练参数,加快了网络训练速度。最后,通过实验验证,表明所提算法在脑电信号的识别能取得更高的识别率。