脑卒中是一种影响全球的脑血管疾病,严重阻碍了卒中患者的日常生活。卒中异常脑电信号分析对卒中疾病的诊断、监测以及卒中后大脑工作机制的研究具有重要意义。现有的针对卒中脑电信号的研究工作大多基于特定节律的脑电信号特征进行分析,常常忽略了不同节律脑电信号间的相互关系,即交叉频率耦合。卒中脑电信号的交叉频率耦合蕴含了大脑大尺度的信息交互模式,能为卒中疾病的研究提供丰富的信息。然而,交叉频率耦合数据复杂,其有效特征的提取与分析具有一定的挑战性。因此,本文提出了基于图论、机器学习和图神经网络的交叉频率耦合分析方法对卒中脑电信号进行研究。本文的主要研究内容如下:（1）针对交叉频率相相耦合的时空分布特点,提出了一个多粒度的交叉频率相相耦合分析框架,并在脑卒中患者和健康被试的心理旋转脑电数据集进行验证。所提框架在时间、空间维度上分别提取了多种不同粒度的交叉频率相相耦合特征,以全面地评估卒中患者的脑功能状态。实验发现,卒中患者和健康被试的多种交叉频率相相耦合特征存在显著性差异,特别在δ-α、δ-β1以及δ-β2交叉频率中,表明了卒中后大脑跨频段的信息交互模式发生了变化,从而导致运动想象能力不足。（2）针对交叉频率幅幅耦合的不同数据表征形式,设计了基于向量数据和基于张量数据的特征提取与分类方法,并在卒中患者的左右手抓握运动尝试数据集进行对比实验。实验对α、β频段内以及频段间的幅幅耦合系数进行任意组合以构建成向量数据或张量数据,然后分别使用主成分分析、多线性主成分分析方法进行数据降维,支持向量机和支持高阶张量机用于分类识别。通过对比两种数据表征的实验结果,验证了基于张量表征的交叉频率幅幅耦合特征提取与分类方法的有效性,其左右手抓握运动尝试识别的平均准确率为75.31%。（3）针对交叉频率幅幅耦合的图结构特点,提出了一个基于图神经网络的交叉频率幅幅耦合分析方法,并在卒中患者的左右手抓握运动尝试数据集进行验证。通过与图论特征的对比实验,验证了所提方法对交叉频率幅幅耦合分析的有效性。此外,相比于α频段、β频段的幅幅耦合图数据,使用α-β交叉频率的幅幅耦合图数据对左右手抓握运动尝试识别更准确;而融合了α频段、β频段以及α-β交叉频率图数据的多分支图神经网络模型对左右手抓握运动尝试识别的准确率最高,其平均准确率为78.75%,高于已知最优模型。