在目标检测系统中引入人工标注的环节,利用人的经验以及认知能力,有望突破传统人工智能技术在检测不确定目标、遮挡目标、难以描述目标时的瓶颈,但在一定程度上也限制了检测的效率。注视相关电位（Fixation Related Potential,FRP）是一种反映了人脑对由注视事件诱发感兴趣认知行为处理过程的脑电成分,并且由感兴趣与非感兴趣目标诱发的FRP时域波形具有明显的区别,因此利用基于FRP的脑电感兴趣检测技术,通过计算设备对人工标注图像时诱发的脑电信号进行预处理与分类,可有效获取与感兴趣目标相关的信息,以无需手工操作的形式提高人工标注的工作效率。单试次脑电信号分类是基于脑电的感兴趣检测技术中的关键环节。近年来,深度学习因其可自动获取数据内在丰富信息的特点,已在计算机视觉、自然语言处理等领域被被证明相比于传统浅层机器学习模型方法可获得更高的分准确性。目前,脑电分类领域的深度学习方法研究主要针对于运动想象（Motor Imagery）、稳态视觉诱发电位（Steady State Visually Evoked Potential）等信号,而鲜有针对于FRP的研究工作。综上所述,本文对单试次FRP脑电信号分类的深度学习方法进行了研究,主要开展了以下四个方面的工作:1、进行了FRP脑电数据的采集及预处理。本文设计了引导搜索视觉刺激范式实验,并在自行搭建的数据采集系统中同步采集了受试者的脑电与眼动数据。通过对所采集的数据进行预处理,提取了各受试者的单试次FRP脑电成分。2、针对于现有面向脑电信号分类任务的卷积神经网络结构中普遍没有考虑各卷积特征通道之间重要性关系的问题,提出了一种基于特征通道权重重分配卷积神经网络的单试次FRP脑电分类方法。通过在现有网络结构中添加特征通道权重重分配模块,提升了网络模型对特征提取的针对性。实验结果表明,相比于现有面向于脑电信号的卷积神经网络,所提方法有效提升了单试次FRP分类结果的准确性。3、针对于目前脑电信号分类领域的深度学习方法难以有效自动获取数据中二阶统计信息的问题,提出了一种基于深度黎曼网络的单试次FRP脑电分类方法。通过结合对称正定黎曼流形空间中的几何性质,利用多层双线性变换实现了对脑电信号二阶统计特征的自动提取与分类。实验结果表明,相比于传统基于黎曼几何的浅层模型方法,所提方法对单试次FRP分类的结果具有统计显著性地提升。4、针对于因原始脑电协方差矩阵信噪比较低而限制深度黎曼网络分类性能的问题,提出了一种基于卷积特征二阶池化深度黎曼网络的单试次FRP脑电分类方法。首先通过卷积神经网络对原始脑电数据进行第一阶段的训练,以获取多频带脑电特征、提升特征信噪比;其次对卷积特征映射进行二阶池化处理,以获取卷积特征的二阶统计信息;最后利用深度黎曼网络进行第二阶段的地训练,以提升二阶池化后的卷积特征在黎曼流形空间中的表达能力。实验结果表明,相比于仅利用一阶统计特征的卷积神经网络或仅利用二阶统计特征的深度黎曼网络,所提出方法统计显著地提升了基于这两种方法的单试次FRP分类准确性,并且在缺少训练数据的情况下表现出良好的鲁棒性。