脑-机接口（Brain Computer Interface,BCI）是一种直接在大脑与外设之间建立通信的新技术。在康复医疗、军事和个人娱乐等方面有着广泛的应用前景。其中运动想象（Motor Imagery,MI）信号作为一种主动式的人机交互范式,运动的状态已经在大脑形成固定模式,无需训练就能取得具有区分度的信号,所以成为众多BCI系统中热门的研究方向之一。但是由于脑电信号（Electroencephalogram,EEG）的复杂性,动态性和低信噪比,就导致了MI-BCI系统分类准确率低、跨被试模型难和在线应用性能差等问题。本文采用卷积神经网络（Convolutional Neural Network,CNN）结合自注意力机制和图嵌入的方法,设计两个端到端的网络对四分类MI信号进行了精准解析,开发了MI-BCI在线平台。（1）针对MI-BCI系统分类精度低的问题,从脑电的时间和空间特征出发,分析信号之间的时间和空间相关性,设计并行时空自注意力机制的CNN来对EEG分类。具体来说利用自注意力机制的特性从全局出发,捕获与任务相关性强的元素,结合EEG的时间和空间信息设计两个并行自注意力模块。时间注意力模块通过学习时间步长之间的相似性,对EEG进行时间维度上的重编码,来加强原始信号时间表征能力;同理空间自注意力模块通过赋予MI相关通道更高的权值来完成全局的通道筛选。将编码后的EEG与原始EEG进行拼接,利用CNN来提取EEG中的高级局部特征,最后全连接进行分类。在第四届BCI比赛的2a数据集和高伽马数据集上采用分类准确性来评估模型的性能。实验结果分别为78.51%和97.68%。（2）由于EEG是动态信号,所以不同被试之间信号的差异性大,而且同一被试不同时间的信号也具有差异,如何设计MI-BCI的跨被试模型一直是具有挑战性的课题。本文从信号的空间角度出发,参考EEG采集的10-20系统电极点分布情况,采用图的方法对MI信号进行图嵌入。与传统的二维排列EEG信号的方式相比,图的特殊数据结构更加符合脑电信号空间上的电极点排列方式,所以本文在设计图的邻接矩阵时将邻居节点之间的值设为1,非邻居节点之间的值设为零。通过标准化邻接矩阵之后对原始信号进行图嵌入。最后利用CNN对信号进行分类。在第四届BCI比赛的2a数据集中进行跨被试实验。实验结果显示本方法能取得63.37%的精度。（3）针对MI-BCI系统在线性能差的问题,本文开发了一套在线MI脑控无人机平台。该平台利用训练好的CNN模型,实现了在线解码MI信号来脑控Air Sim虚拟无人机。该系统成功的将本文中提出的自注意力CNN模型应用到在线系统中,证明本方法的可用性。同时通过测试显示,该BCI系统响应快、稳定、安全。综上所述,本文不仅提升了信号的分类精度,为跨被试的模型提供了研究参考方向,而且证明了深度学习系统在线应用的可靠性。