随着我国步入老龄化阶段,阿尔兹海默病(Alzheimer’s Disease,AD)患者日益增多。迄今为止尚未出现完全治愈AD的方法,因此人们将研究重点转向了AD的前期阶段——轻度认知障碍(Mild Congnitive Impairment,MCI)的诊断,该领域的研究也日益受到国内外相关研究人员的关注。脑电(Electroencephalogram,EEG)信号分析是当前快速实时诊断MCI的有效方式,深度学习因自身的优势成为了脑电信号分类领域的研究热点,并且从脑电信号中提取适合深度学习模型分类的特征极其重要。本文从脑电信号特征提取以及深度学习两方面出发,对多光谱图像转化方法进行改进,提出了一种新的脑电信号特征提取方法及对多输入卷积神经网络进行了相应的改进。首先,改进了一种多光谱图像转化方法,并在此基础上提出了一种多脑区多光谱图像融合的脑电信号特征提取方法。该方法将大脑分成多个不同的脑区,结合多光谱图像转化方法将不同脑区的脑电信号分别转化成多个多光谱图像,然后使用像素级图像加权融合方法将多脑区的多光谱图像融合成一幅质量更高、信息量更丰富的多光谱图像。其次,对多输入卷积神经网络进行改进。针对经典的卷积神经网络无法获取理想的多样化特征的问题,引入多输入卷积神经网络。并针对脑电信号多光谱图像,提出采用单一尺度的卷积核进行网络结构的搭建,使其更适合于脑电信号多光谱图像的分类,即单尺度多输入卷积神经网络的脑电信号分类方法。最后,将具有II型糖尿病(type 2 diabetes mellitus,T2DM)症状的遗忘型轻度认知障碍(amnestic Mild Cognitive Impairment,aMCI)患者与对照组(Normal Control,NC)的任务态脑电信号作为实验数据集进行实验分析。将上述提出的新特征提取方法与改进的分类方法分别与已有的相关算法进行比较,结果验证了本文提出的两个方法均能有效地提高两类样本脑电信号的分类性能。