随着深度学习的快速发展,大量研究学者尝试将深度学习方法应用于各种脑电解码任务,深度挖掘脑电数据的特征,大大地提升了识别精确度。注意力作为人类生活中必不可少的一种认知能力,与脑电信号存在密切的联系。面对不同程度的声音刺激,人类的脑电波产生波动,其变化可以反映人们在受到外界声音刺激时的注意力水平。目前,传统的机器学习方法在处理脑电听觉解码问题上还存在较大的改进空间,而卷积神经网络等深度学习方法在脑电信号相关领域的应用越来越丰富,展示了极大的优势。因此,为了充分提取脑电信息,尽可能降低听觉注意力识别误差值,本文以听觉注意力为研究目标,探索多种注意力机制,将注意力机制和卷积神经网络融合起来,设计两种不同的脑电解码模型,分别是3D-AttCNN和C-DeepConvNet,主要研究内容如下:（1）为了探索深度学习在分析脑电听觉识别任务的作用,利用注意力机制在处理脑电通道差异性和频带差异性的能力,本文设计了一种基于功率谱密度和注意力机制的三维卷积神经网络3D-AttCNN。首先,本文比较了多种数据滤波方式,对脑电信号进行预处理,移除常见伪迹信号,避免无关信号对实验的干扰;然后将脑电信号分解成若干子频带,计算相应的功率谱密度,并按照电极分布位置将功率谱密度值映射成三维输入矩阵;最后,将映射的矩阵输入三维卷积神经网络,使用通道空间注意力和频带注意力自适应地选取合适的空间信息和频带信息,学习输入向量,进行听觉注意力水平预测。在脑电数据集PhyAAt的25个受试者数据上预测听觉注意力水平,实验结果表明,3D-AttCNN模型利用两种注意力机制,降低了脑电听觉注意力识别任务的误差,实现跨个体的脑电听觉注意力状态识别。（2）脑电信号的端对端学习是未来的研究趋势,为了简化脑电信号的计算过程,本文又设计了一种端对端预测模型C-DeepConvNet,对深层卷积神经网络DeepConvNet进行改进,堆叠多层卷积神经网络,并使用通道注意力机制学习通道多样性。同样在PhyAAt数据集上取得的实验结果显示,该模型相比于传统的支持向量机（SVM）方法,降低了约8%的平均绝对误差值,实验表现也明显优于3D-AttCNN模型,能够直接从原始脑电信号中提取有效特征,更加准确地实现听觉注意力水平预测。总之,该模型具备较好的泛化性,有效提高解码效率。