脑机接口(Brain Computer Interface,BCI)是一个建立在人脑和电子设备之间的通信和控制的系统,在众多领域都具有非常重要的应用。运动想象脑电信号(Motor Imagery Electroencephalogram,MI-EEG)分析是脑机接口研究的热点之一,目前利用深度学习算法对运动想象脑电信号分类的综合性能还有待提升。本文拟提高两类运动想象脑电信号的分类准确率、提升标准的卷积神经网络的综合性能,结合运动想象脑电信号的特征,通过实验详细分析传统预处理方法和标准的卷积神经网络的不足并提出了改进方法。本文的主要工作如下:(1)介绍了脑机接口系统的组成、研究现状及问题,对脑电信号产生的生理机制、组成成分、特点及分类进行了简介,并对用于测试算法的运动想象脑电信号的数据进行了说明。(2)当使用公共空间模式(Common Spatial pattern,CSP)、快速傅里叶变换(Fast Fourier Transform,FFT)等传统方法对运动想象脑电信号进行预处理,并采用卷积神经网络(Convolutional Neural Networks,CNN)进行分类,传统的预处理方法不能很好的平衡运动想象脑电信号的整体和局部特征,导致分类效果不理想。针对上述问题,本文提出了一种基于连续小波变换(Continuous Wavelet Transform,CWT)方法,将运动想象脑电信号映射为时频图像,使脑电信号的整体和局部特征明朗化,能较好的提取有效特征。(3)CNN中池化层虽可以简化图像特征,但也可能丢失一些有效特征,针对该问题,本文提出了一种使用简化卷积神经网络(Simplified Convolutional Neural Network,SCNN)分类运动想象脑电信号的方法。从标准CNN中去掉卷积层,以优化网络结构且防止有效特征丢失。然后使用两个一维的卷积核分别提取时域和频域特征,以减少网络参数提高训练速率。最后,通过实验验证本文提出的改进方案不仅简化网络结构且减少了网络参数,而且还有效的防止了有效特征的丢失。实验证明,与传统或深度学习算法相比分类正确率和kappa值都有较好的提升。