脑-机接口（Brain-Computer Interface,BCI）通过计算机算法识别大脑活动并生成控制指令,构建了大脑与外部设备之间新型的通信方式。运动想象（Motor Imagery,MI）脑电信号（Electroencephalogram,EEG）因具有受试者主动想象而不需要外界刺激的特点,被广泛使用在BCI系统中,MI BCI也被认为是最具有潜力的方向之一。由于人类脑电信号存在微弱、非线性、非平稳性、信噪比低、个体差异性大等特点,造成了MI信号分类准确率低、训练跨被试模型难度大、以及在线系统性能有待提高。因此,开展对MI信号的分类和MI BCI的研究具有重大意义。针对上述问题,本文设计了一种基于多尺度时空特征3D CNN（3D Convolutional Neural Network,3D CNN）模型用于MI信号分类,并将其成功应用于基于MI信号的Tello无人机实时控制系统。主要工作内容如下:（1）针对脑电信号信噪比低、个体差异大并且以二维矩阵形式作为数据表示方法忽略了电极之间的空间拓扑关系等问题,本文设计一种基于多尺度时空特征3D CNN模型用于MI信号的分类,在单被试和跨被试分类实验中均取得了较高准确率。模型主要包含三个模块:3D数据表示模块、3D空间注意力模块和多尺度时间片注意力模块。在主网络中保留不同的模块并进行特征可视化,证明两个模块的有效性。通过绘制混淆矩阵和T-SNE图,对不同模块的作用进行定性和定量分析。在BCI IV 2a数据集中,5次十折交叉验证的平均准确率为93.06%。在HGD数据集取得了97.05%准确率。同时,进行了跨被试分类实验,在BCI IV 2a数据集上取得了63.27%的准确率。这表明了本文设计的方法与其它模型相比,具有更好的泛化能力和鲁棒性。（2）针对模型的实时性和实用性,本文搭建了基于MI信号的Tello无人机实时控制系统,设计并实现了四分类运动想象实验范式。系统使用基于多尺度时空特征3D CNN模型,结合数据采集模块、离线训练模块、在线解析模块和控制模块共同组成Tello无人机实时控制系统。通过采集受试者的数据进行离线模型训练,在线系统加载离线训练好的模型,最后实现对Tello无人机的控制。结果表明,受试者通过本系统实现了控制Tello无人机四个方向（前、后、左和右）的飞行,在线分类准确率最高达到90%,系统延迟时间最短为0.06 s。验证了该模型的有效性、稳定性和在实际应用中性能。综上所述,本文设计了一种基于多尺度时空特征3D CNN模型,提升了MI信号分类精度,并提高了跨被试分类精度,进而将模型成功应用于Tello无人机实时控制系统,证明了该模型应用于在线系统的可行性。