随着人工智能的兴起,以脑机接口（Brain Computer Interface,BCI）为桥梁的脑神经科学研究正迅速展开。其中对虚拟现实场景下空间认知脑电信号的分析成为该领域研究热点,通过空间认知训练前后脑电信号变化可以有效评估认知能力训练效果。目前,在空间认知脑电信号研究方面取得了不少进展,主要包括脑电信号的特征提取以及后续的数据分类。但是仍然存在着不足,主要体现在计算不同通道之间的耦合特征强度时没有考虑到其他通道空间位置的影响。另外,探索出一种鲁棒性更强、性能更优的脑电特征数据分类模型也是该领域的一大难点。基于此,本文结合国内外研究现状,从特征提取与分类方法入手提出了新的脑电耦合特征提取方法和脑电信号分类模型。首先,本文结合互信息理论,提出了基于多维条件互信息共空间模式（Multivariate Conditional Mutual Information Common Spatial Pattern,MCMICSP）的脑电信号特征提取算法。由于传统的CSP算法输入的脑电信号要求表现出严格的线性相关,并不适用于本实验的脑电数据;因此本文将传统共空间算法中的协方差矩阵替换为多维条件互信息耦合矩阵。这样不仅考虑其他脑电通道对耦合特征的影响,而且根据脑电信号的线性相关程度来构建空域特征滤波器,进一步弥补了现有特征提取方法的不足。其次,本文提出了多尺度密集融合卷积神经网络（Multiple Scale Dense Fusion Convolutional Neural Network,MSDFCNN）。针对传统CNN卷积核单一、容易缺失有效特征信息等问题,引入不同尺度卷积核来有效减少脑电信号特征丢失的现象。针对本实验研究样本相对较少的问题,通过引入密集网络方法策略,实现特征重用,同时减少梯度弥散;并使用自适应梯度随机下降算法对提出的分类算法进行过程优化。最后,对上述内容进行实验与结果分析。为了分别验证所提两种算法的有效性,本研究选取了虚拟现实场景下空间认知训练前后的脑电数据作为数据集,并与原有的特征提取和分类算法开展对比实验。结果表明,本研究提出的特征提取算法能够更加有效地评估空间认知训练效果;提出的分类算法在脑电耦合特征分类方面有更高的准确度与更强的泛化能力。