脑机接口是在大脑与外部设备之间建立的一条直接交流的通道,它能够对脑电信号进行解码,利用脑电信号控制外部设备。该技术在近些年发展迅速,不仅能帮助人们进行医疗康复,在军事、教育以及航空等多个领域都有广泛的应用。脑机接口的关键在于脑电信号的分类,分类的精度决定了脑机接口系统性能的优劣。运动想象脑电信号无需外界刺激,自发产生,是脑机接口系统使用频率最高的脑电信号之一。但是由于信号本身的非线性非平稳特性,目前运动想象脑电信号的分类精度较低。为了提高分类精度,本文基于神经网络设计了两种分类模型,具体工作如下:（1）针对信号数据量不足的问题,设计了基于GAN和CNN的运动想象脑电信号分类模型WGP-Conv Net。与传统的脑电信号分类不同,WGP-Conv Net模型在特征提取后引入了WGAN-GP对特征数据进行数据增强,WGAN-GP能够学习输入数据的分布,将噪声包装成真实数据,实现数据量的扩充。数据增强后,WGPConv Net使用A-Conv Net和B-Conv Net进行分类,A-Conv Net可以有效地提取数据的特征进行四分类,B-Conv Net可以有效地提取数据的特征进行二分类。在BCIC IV dataset 2a和dataset 2b上的实验结果表明,WGP-Conv Net的四分类精度为74.3%,二分类精度为83.4%,相较于现有的一些方法性能有所提升。在不同特征数据上的对比实验表明,WGP-Conv Net的数据增强对不同特征提取方法都是有效的。（2）针对空间特征丢失的问题,设计了基于CNN、GRU和注意力机制的运动想象脑电信号分类模型3D-DGCNN。该模型使用小波包分解和三维变换对数据进行特征提取,小波包分解可以提取信号的时频特征,三维变换可以按照脑电信号采样电极图还原各通道数据的相对位置关系,计算出信号的空间特征。特征提取后,3D-DGCNN使用树状结构的T-DGCNN和平行结构的P-DGCNN分别对特征进行分类。在BCIC IV dataset 2a上的实验结果表明,两种模型的平均分类精度分别为74.9%和74.6%,单个对象的最高分类精度可以达到89.7%,性能优于现有的一些方法。同时,通过对比实验得出,经过小波包分解和三维处理后的数据,其分类精度明显超出原数据,这种处理方式能够有效地提取数据的时频特征和空间特征。