脑机接口(Brain Computer Interface,BCI)系统是一种直接建立在大脑和外部设备之间且不依赖于外围神经系统与肌肉组织的新型人机交互方式,实现了大脑与外界的直接信息交流。BCI系统的应用前景广阔,其关键技术是对脑电(Electroencephalogram,EEG)信号进行识别分类,并将分类结果转换为外部设备的控制命令。现如今深度神经网络(Deep Neural Networks,DNN)在众多领域取得了广泛应用,这也为EEG信号研究提供了一种非常有效的分析工具。本文针对运动想象BCI系统中EEG信号的分析方法进行研究,旨在利用DNN算法提升运动想象EEG信号识别的精度与鲁棒性。在前人工作基础上,主要完成以下工作:1、介绍了EEG信号的分类和特点以及BCI系统的组成与分类;概述了运动想象脑机接口及其相关分析算法的国内外研究现状;阐述了DNN算法的相关理论基础,并在此基础上分析了利用DNN算法进行EEG信号分析的可行性。2、针对EEG信号信噪比低、随机性强等特点以及传统运动想象EEG信号分析方法中所存在的不足,提出了一种组合时-空域卷积神经网络(Temporal-Spatial Convolutional Neural Network,TSCNN)与堆叠自动编码器(Stacked Autoencoder,SAE)的新型端到端分析模型,并使用“全局-个体分类器”的训练模式帮助提升TSCNN-SAE模型的分类性能。采用三组BCI竞赛数据集进行模型的有效性验证,实验结果表明,TSCNN-SAE模型在两组二分类任务中分别取得了82.7%与90.6%的平均分类正确率,均高于单独训练的TSCNN与SAE模型、同项目竞赛冠军算法及其他代表性算法,且表现出在不同受试者间的普适性。此外,该模型在四分类任务中的平均识别率达到83.8%,接近于同项目竞赛冠军算法,但与近年来的优秀算法相比仍存有较大差距。3、在小样本量情况下的四类运动想象EEG信号识别任务中,参数复杂度较高的DNN模型无法得到充分训练,从而导致分类表现不佳。针对此问题,提出一种融合数据增强方案、一对多共同空间模式(One-Versus-the-Rest Common Spatial Pattern,OVR-CSP)算法和TSCNN的四类运动想象EEG信号分析模型,并尝试引入多数投票算法进行对比实验。结果表明,CSP-TSCNN模型在扩充训练样本量的同时简化了卷积网络的结构参数,且模型在未引入多数投票算法时性能更佳,最终获得了90.1%的平均识别率,较TSCNN-SAE模型有明显提升,且优于近年来的典型算法。