我国语言相关障碍患者众多,语言沟通能力的丧失导致这些人群无法更好地接受治疗和融入社会。基于脑电信号的语音合成技术,旨在绕过喉头、声带等生理性发声器官,通过脑电信号的解译识别直接解码并合成语音,为语言障碍人群搭建语音沟通交流的桥梁。深度学习的快速发展为基于脑电信号的语音合成带来了新的契机,本文主要研究了基于深度学习的原始脑电信号伪迹处理、解译分类和语音合成,具体工作和研究如下。（1）针对原始脑电信号中存在的肌电伪迹、眼电伪迹难以有效去除导致脑电信号信噪比低的问题,本文研究并实现了基于残差-注意力-并行的卷积神经网络（Convolutional Neural Network,CNN）原始脑电信号伪迹去除模型,对原始脑电信号中肌电伪迹、眼电伪迹实现了有效去除。算法模型在传统CNN网络的基础上进行改进,加入了残差并行网络机制,拓展网络的宽度,实现了数据特征的多尺度提取融合。同时引入了通道注意力机制,在特征融合的基础上进行注意力学习,削弱次级特征的影响,进一步增强了网络的特征融合能力。通过学习肌电伪迹、眼电伪迹的多尺度融合特征建立伪迹处理模型,实现伪迹的有效去除。最后通过和不同深度学习网络的对比验证了算法的有效性,为后续脑电信号分类提供了高质量的数据。（2）针对脑电信号解译分类过程中深度特征提取不足、分类准确率低的问题,本文研究并实现了基于密集连接的CNN网络脑电信号分类模型。通过构造并串联密集连接模块以实现脑电数据特征图的重复利用,增强了对脑电信号的特征提取能力,实现了对基于语音想象脑电信号的准确分类。最后,在公开数据集和自建数据集上分别进行了测试验证,并与不同的深度学习脑电信号分类方法进行对比分析,验证了基于密集连接的CNN网络脑电信号分类模型性能更优。（3）为实现受试者进行脑电信号采集、处理、解译分类以及最终输出分类语音的流程场景,本文采用了基于有源电极和高分辨率AD转换器的脑电信号采集模块以获得高质量的原始脑电信号。在此基础上首先进行了脑电信号合成语音的软件流程设计,然后对软件的功能需求进行分析和软件界面的布局设计,最后完成软件的界面布局,实现了对原始脑电信号和处理后的纯净脑电信号、分类识别结果和识别精度的显示功能以及根据分类结果进行实时语音合成的功能。