脑机接口（Brain Computer Interface,BCI）作为一种新型信息沟通控制手段,是一个涉及神经科学、信号处理以及模式识别等多个学科的交叉研究课题。基于运动想象的BCI系统被认为是最具有发展前景的一种脑机接口系统。针对基于机器学习方法构建脑电特征与运动想象之间映射关系进行分类时,现有方法仍存在着无法兼顾脑电信号的时-空域特征,并且分类精度难以提高的问题,本文开展基于注意力机制的双向长短时记忆网络的特征提取方法和卷积神经网络脑电信号分类方法的研究。论文的主要工作概括如下:（1）研究了基于注意力机制的双向长短时记忆的特征提取方法。为了使所提取脑电信号特征能更好地描述信号的时序特性,本文提出一种基于注意力机制的BiLSTM模型的运动想象脑电信号特征提取和分类网络（记为ABiLSTM）。该模型通过双向长短时记忆网络和注意力机制相结合的方式提取更具解释性的深层特征。通过与四种现有的特征提取方法的对比实验验证了基于注意力机制的BiLSTM脑电信号的特征提取方法是有效的。但该方法在分类性能上有待进一步挖掘。（2）在工作（1）的基础上研究了基于注意力机制的双向长短时记忆卷积神经网络脑电信号分类方法。针对脑电信号同时具有时域和空间特性的特点,为克服上述提出方法所存在的不足,本文提出并设计了将ABiLSTM和CNN网络相结合的脑电信号分类模型（记为ABiLSTM-CNN）。首先,通过ABiLSTM模块提取了脑电信号的时域特征。其次,将时域特征矩阵作为CNN模块的输入,通过卷积运算和池化降维的方式提取出时-空域特征矩阵。综合上述研究,本文最终构建的ABiLSTM-CNN分类模型在公共数据集PhysioNet EEG Motor Imagery Dataset上取得了90.72%的平均准确率,结果表明ABiLSTM-CNN运动想象脑电信号分类模型具有很理想的分类精度。