脑机接口的研究不仅仅有利于人类对大脑的工作机制的了解,而且在生物医疗康复,生活娱乐等领域都有着很重要的实际应用价值,其中研究脑电信号的分类算法的性能对于提高脑机接口的工作效率是十分关键的。由于深度学习具有非线性结构,近年来越来越多的学者将深度学习融入脑电信号的分类算法中。本文主要研究的脑电信号的分类模型为卷积相关分析模型,该模型结合了深度学习中的卷积结构以及统计学中的相关分析,并对该模型进行了两项改进。第一项改进模型为结合迁移学习的卷积相关分析模型,此模型利用最小二乘变换来实现源域和目标域之间的转换,从而实现数据域的扩充。对于源数据域中受试者的筛选,采取相关系数最大原则选择最佳源域受试者。利用benchmark＿dataset数据集进行实验,并与TRCA算法和原卷积相关分析模型来进行统计学中t检验来对比比较3种模型的分类效果差异,结果表明本模型对脑电信号的分类效果较好,验证了模型的有效性。第二项改进模型为结合QR分解的卷积相关分析模型,此模型对人工正余弦参考信号进行QR分解,提取目标频率的先验信息。利用该先验信息对于输入数据进行变换处理,从而实现模型的脑电信号分类准确率提升。实验部分,利用本文的数据集进行模型训练和评估,并与TRCA算法和原卷积相关分析模型进行t检验来对比模型差异,结果发现本模型在低分类精度的受试者上的脑电信号分类精度有明显大幅度提升,在其他受试者上,也均有较高的分类准确率,验证了本模型对脑电信号的分类能力。