近年来,脑电信号分类问题成为模式识别领域的研究热点,大量的智能化疾病诊断方法被提出。为了实现对信号的多频带分析,并提升脑电的分类效果,本文从频带选择和决策融合的角度出发,对以下内容进行具体研究:首先,本文提出了一种基于频带注意力残差网络(Band Attention Residual Network,BA-ResNet)的脑电信号分类方法。为了从诸多频带中找出关键频带,并实现差异化的频带分析,频带注意力模块被添加到分类模型中。通过频带重要性权值的计算实现灵活的频带注意力分布,再借助权值缩放的方式来增强关键频带特征的影响,最后使用残差网络模块完成类别预测。该方法在安定医院EEG数据集和波士顿儿童医院数据集上进行测试,实验结果表明,频带注意力模块能够赋予关键频带更多关注,并提升模型的分类效果。其次,从多频带决策融合的角度出发,本文提出了两种基于决策融合残差网络的脑电信号分类方法,包括单频带决策融合残差网络(Single-Band Decision Fusion Residual Network,SBDF-ResNet)和结合混合频带决策残差网络(Combined Multi-Band Decision Fusion Residual Network,CMBDF-ResNet)。SBDF-ResNet使用权值共享的残差子模块分支来获取样本在每个频带上的决策信息,再将多个频带的决策信息进行融合以产生样本的最终类别预测值。CMBDF-ResNet在前者的基础上,新增一个用于获取混合频带决策信息的分支,该分支首先使用SE残差模块来增强关键频带特征的影响,然后使用与其他分支不共享权值的残差子模块来获取混合频带特征的决策值,最后将每一个分支的决策信息进行融合以完成样本分类。实验表明,这两种方法在抑郁症检测和癫痫发作预测上均有良好表现,与BA-ResNet相比,分类性能也有了一定提升。最后,多通道脑电信号分类系统被搭建,该系统从特征提取、特征分类以及辅助功能三个方向进行功能扩展。在特征提取部分,该系统添加了带通滤波、相关性计算等子功能;在特征分类部分,BA-ResNet、SBDF-ResNet、CMBDF-ResNet等分类方法被集成到系统中;辅助功能则包含了数据分段、数据集划分、结果评估。