脑电信号蕴含着丰富的生理和病理信息,其反映了大脑神经系统的认知功能以及人体生理状态。因而,通过适当的信号处理手段,脑电信号能够在脑科学研究和人体疾病诊断中发挥重要的作用。一方面,脑电信号可用于脑机接口系统,进而应用于康复医疗,教育娱乐等领域;另一方面,通过分析脑电信号中某些重要组成成分,可帮助医生实现疾病诊断。目前,脑电信号处理技术在这两个应用领域已取得重要进展,但仍存在值得研究的问题。例如,脑机接口系统中脑电信号的分类准确率和实时性需进一步提高;脑电信号的去噪与分析能力需进一步提升,等等。同时,随着人工智能的兴起,深度学习成为生物医学信号处理的主要工具之一。针对脑电信号分析处理中尚存在的问题,本文基于深度学习理论,系统研究了P300字符拼写脑机接口和运动想象脑机接口系统中的脑电信号分类问题,以及单导视觉诱发电位P100潜伏期动态估计的新方法。(1)针对P300字符拼写脑机接口系统中字符识别正确率不高的问题,提出一种基于改进卷积神经网络的P300事件相关电位分类识别方法。通过将传统卷积神经网络中第二个串行连接的卷积层改为三个并行结构的卷积层,加大了网络宽度,提升了网络特征提取的能力。将提取的特征经全互连层组合后,采用sigmoid函数构建了P300事件相关电位分类器。针对脑机接口竞赛数据集中靶刺激与非靶刺激下数据量不平衡的问题,对含有P300事件相关电位的脑电数据做部分平均来增加数据量。实验结果表明,该方法能够有效识别P300事件相关电位,提高字符识别正确率。实验叠加次数为9次以上时,字符的识别正确率均不低于90%。(2)针对运动想象脑电信号分类问题,本文根据不同通道的脑电信号能量具有一定差异性的特点,分别使用时频分析中的小波包变换(WPT)和短时傅里叶变换(STFT),对简单预处理后的运动想象脑电信号进行特征提取,然后将这两种特征结合起来,使用卷积神经网络完成对左右手运动想象脑电信号的二分类。实验结果表明,利用基于多特征联合的卷积神经网络有利于脑电信号的分类,在一定程度上提高了分类精度。(3)针对单导诱发电位潜伏期估计较为困难问题,本文提出了一种基于深度学习的单导视觉诱发电位P100潜伏期动态估计与跟踪的新方法。在研究实验中,以个体视觉诱发电位为例,通过构造多次刺激下的诱发电位信号序列,利用深度学习中的卷积神经网络实现对单导视觉诱发电位P100潜伏期的动态估计与跟踪,从而反映每次刺激下视觉诱发电位潜伏期的动态变化,为临床医学和脑科学的研究提供一个思路与方法。