脑机接口系统能够使人们在无需肌肉活动的情况下与设备交互,是脑机智能与类脑计算的重要研究领域之一。其中,脑电信号的分析与处理是脑机接口系统落地实用的关键研究课题。脑电信号的数据维度高、受噪声影响大、信噪比低等特点给信号的检测与识别带来了严峻的挑战。然而传统的检测模型往往是在数据预处理流程中对噪声做统一的处理,很少结合实际问题有针对性地降低噪声对识别的影响,无法有效地进行特征提取。本文在深度神经网络的基础上结合信息论的相关分析,搭建了一系列有效的脑电信号分类模型。首先,提出了基于变分自编码器与卷积神经网络的事件相关电位检测算法。该算法包含了表征、分类两个步骤,表征的过程由基于卷积神经网络结构的变分自编码器完成。表征网络以重构为目标将脑电信号的信息映射到隐变量中,分类网络再对隐变量进行分类。根据一系列实验结果与讨论,该模型是有效的脑电信号分类模型。其次,提出了基于变分信息瓶颈与卷积神经网络的事件相关电位检测算法。该算法先通过基于卷积神经网络结构的变分信息瓶颈部分对脑电数据进行编码,再对编码得到的隐变量进行分类,两者共同优化。该模型的网络结构与损失函数使得模型可以调节网络中的信息传递,具体表现为变分信息瓶颈部分在尽可能地保留脑电信号中与目标刺激相关信息的同时限制与分类无益的信息在网络中的传递。该算法在脑电信号公共数据集上的实验结果表明,该算法具备优异的脑电信号分类能力,在样本数量足够的前提下超越了许多算法。不仅如此,还结合实验结果阐述了变分信息瓶颈在模型中的作用机理。本文还将两个模型统一在变分信息编码框架中,通过理论与实验两个层面分析了两者的具体区别以及分类性能表现差异的原因。这两种模型都是信息论、概率论、贝叶斯理论与深度神经网络结合起来并真正实用的例子,为深度神经网络的可解释性研究提供了新的思路,为解决脑电信号分类问题提供了新的手段,在脑科学以及神经科学中有十分广阔的应用前景。