脑机接口（Brain-Computer Interface,BCI）是指人类不依赖于机器或者人脑的中枢神经系统或者躯体运动肌肉组织,而直接把人脑中的活动讯息和信号模式输出转化成为计算机命令。并通过在人的脑部和外部机器和电子产品之间建立信息交流的途径,从而可以进行人脑内部与外界之间沟通的新型信息交流技术。运动想象（Motor Imagery,MI）脑机接口技术作为一个主动式的人机交互范式,根据运动的实际状态已经可以在人脑建立稳定模式,即使没有外部刺激也可以得到很有区分度的信息,已经成为众多BCI系统中研究热点。但是MI也存在个体差异偏大、易受个人状态影响、信息传输率低等问题。群脑运动想象脑机接口技术可以在BCI执行中实现多角色的协同控制,解决单人系统中由于被试对象自身运动想象过程中产生的脑电信号特征不突出、被试在试验过程中身体或者精神状态不稳定等因素带来的影响。本文结合深度学习普适性的群脑算法模型,可实现稳定高效的群脑联合系统。本文对运动想象范式群脑脑机接口技术进行研究,设计了由多个单人数据在数据层和特征层融合为群脑数据的方案,并设计单人以及群脑的深度学习分类模型,进行在线实时控制系统的构建。主要包括运动想象群脑范式下的数据采集部分,特征层和数据层的串行、并行两种数据组合部分,离线模拟群脑脑机接口运动想象范式在真实场景下的应用部分。本文采用tensorflow2.0-gpu+python3.7进行群脑脑机接口离线分类模型的构建,在线模型由身心健康的男女受试者三人组成一组,进行联合试验验证运动想象脑机接口的在线机械臂运动控制。试验结果表明,本文设计的深度学习算法模型应用到群脑脑机接口多人协同控制系统中,能够在大数量任务状态下有效提高实时传输控制的准确率,并通过Socket和多线程技术提高了通信效率,进一步保障运动想象最终输出信号的质量。期待本文的研究成果,能给运动想象范式下的群脑脑机接口技术发展带来创新,进一步丰富我国关于该技术研究的理论基础,以此促进我国脑机接口技术的高质量发展。