大脑是人类自身最神秘复杂的器官,至今人们没有解开大脑神秘的面纱。而脑电(EEG)信号是大脑与外界交流的“声音”,是人们探索大脑的“媒介”。目前有关脑电信号的脑-机接口(Brain Computer Interface,BCI)技术研究是脑功能研究的热门领域。在该技术中,通过脑电信号来判断人们的意图,由此可以不依靠肢体或者语言器官与外界进行交流沟通,为语言功能丧失等疾病的患者带来了福音。脑电信号的特征提取和分类是脑-机接口技术研究的重要环节,也是本文研究的重点内容,本文对脑电信号特征的提取方法进行深入的研究,主要包括时域、频域以及时频域提取方法。进而研究脑电信号的分类方法,主要包括两种模式的分类方法:浅层和深层机器学习模型。另外,本文利用深层机器学习模型分与小波包分析结合的方法对脑电信号特征进行提取,然后对离线脑电信号数据集进行分类实验。本文主要研究内容和创新点概括如下:(1)本文研究深度置信(Deep Belief Netwroks,DBN)模型的理论基础,并与小波包分析方法结合提取脑电信号的特征,选择最适合的小波基、网络层数以及小波包分解层数来提取脑电信号特征,并进行脑电信号分类。(2)本文探究DBN模型在脑电信号分类领域中的应用。根据脑电信号多通道的特点,将多通道DBN模型应用于脑电信号分类领域中,首次将小波包变换方法与多通道DBN模型结合来提取数据特征和分类,并与普通单通道DBN模型对比,证明该方法的优越性。(3)本文讨论DBN模型中训练算法的优缺点,首次将基于自由能量的持续对比散度(Free Energy In Persistent Contrastive Divergence,FEPCD)算法应用到多通道深度置信网络模型的训练之中,并且首次应用于脑电信号分类领域。FEPCD算法的核心思想是根据样本自由能的大小来提取精英样本,然后再利用持续对比散度(Persistent Contrastive Divergence,PCD)算法对DBN模型训练。通过实验对比散度(Contrastive Divergence,CD)、PCD、FEPCD三种DBN模型训练方法,证明该方法的优越性。