脑-机接口通过对脑电进行编码和解码实现了人脑与外部设备之间的直接交互,对于运动神经受损的患者具有非常重大的意义。脑电信号分类一直是脑-机接口领域的一个非常重要的课题,其中,基于运动想象脑电信号的研究一直受到广泛的关注。在传统的脑电解码研究中,通常需要经过特征提取和特征分类两个过程,导致人为选择的因素占很大部分。随着深度学习在脑-机接口领域的成功应用,基于神经网络即端到端的自发学习的脑电解码形式,成为了研究的主流。但由于脑电信号信噪比低且非平稳性的特点,分类精度往往不太理想,特别是多分类的准确率还比较低。为了提高多类运动想象脑电信号的分类准确率,本文提出了基于卷积神经网络（Convolutional Neural Network,CNN）和长短时记忆（Long Short-Term Memory,LSTM）网络模型的四类运动想象脑电信号的识别方法。其中包含了三种四分类网络模型的设计与对比,具体的工作如下:（1）为了探究单一网络模型对四类运动想象脑电信号识别的有效性和可行性,本文提出了两个四分类的网络模型——四分类CNN（four classification CNN,FCCNN）模型和四分类LSTM（four classification LSTM,FCLSTM）模型来对脑电进行识别。将原始脑电信号经过预处理和数据增强后转换成了适合模型输入的形式,分别设计和训练了两个网络模型,并在BCI Competition IV的数据集2a上进行了方法的检验。实验结果显示,FCCNN模型对四类运动想象脑电的分类效果优于FCLSTM模型,其中FCCNN模型的平均分类准确率可达80%左右,而FCLSTM模型的平均分类准确率只有70%左右。最后对实验结果进行了深度的分析,并总结了影响模型分类效果的相关因素。（2）为了充分学习运动想象脑电信号的脑电特征并且进一步提高四分类的精度,本文提出了一种基于脑电特征的CNN-LSTM混合网络模型的识别方法。首先,通过对原始脑电信号预处理后剔除了眼电干扰,接着利用快速傅里叶变换（Fast Fourier Transform,FFT）获取各个通道的δ波（0.5-3Hz）、θ波（4-7Hz）、α波（8-13Hz）、β波（14-30Hz）和γ波（31-50Hz）这5种与运动想象脑电相关的脑电频带,并且计算得到每个频带的功率谱强度。其次,将各个通道的功率谱强度通过多层一维卷积提取脑电特征,接着将脑电特征按照时间顺序组成特征序列输入到LSTM网络中提取时序特征。最后,将LSTM网络输出的特征输入到Softmax分类器,把结果分为左手、右手、舌头和脚四个类别。本文使用BCI Competition IV的数据集2a对所提的方法进行了验证。实验结果表明,该方法可以非常有效的提高四分类精度,且平均四分类准确率达到90.38%,平均Kappa系数为0.87,相较于使用该数据集的其他优秀方法在四分类效果上有显著的提升。