目前我国已步入老龄化社会,阿尔兹海默病AD(Alzheimer’s Disease)患者在日益增多。轻度认知障碍MCI(Mild Cognitive Impairment)是AD的早期阶段,对MCI的诊断受到越来越多国内外研究人员的关注。脑电信号EEG(Electroencephalogram)分析是当前诊断MCI的高效方式,深度学习算法在各领域取得很大的成功,因此深度学习算法也广泛应用于脑电信号分析。提高基于EEG的MCI诊断结果,需要优秀的特征提取方法与合适的深度学习算法搭配。本文从脑电信号特征提取及深度学习两方面进行研究,对加权排序互信息进行优化改进,并在此基础上构建了适合的深度学习模型。首先,对加权排序互信息WPMI(Weighted Permutation Mutual Information)与排序互信息PMI(Permutation Mutual Information)分析后,提出优化的加权排序互信息方法,从不同的角度去计算脑电信号的幅值特征以作为权值。根据脑电信号的特性,将多频段组合的WPMI特征值映射为RGB图像,并搭建卷积神经网络CNN(Convolutional Neural Networks)进行MCI的分类识别。其次,构建了一种多输入卷积神经网络模型。该模型可以接受多个输入,将各种不同频段组合的WPMI-RGB特征图像或各种不同权值的WPMI-RGB特征图像作为输入进行分类。多输入方法可以让卷积神经网络能够学习更多特征,从而提升分类性能。最后,以aMCI患者与正常对照组NC(Normal Control)的脑电信号作为实验数据,对本文所提出的WPMI方法与PMI等特征值计算方法分别进行了对比分析,并对该算法的可行性、有效性和准确性进行了验证。对多输入模型与单输入模型的分类结果进行对比,验证多输入模型的优异性能。