چکیده: سیستم های رابط مغز و کامپیوتر (BCI) یکی از موضوعاتی است که توجه محققان را بسیار جلب کرده است و برای ایجاد ارتباط بین سیگنال های مغزی مانند سیگنال های EEG با یک دستگاه جانبی مانند دست مصنوعی یا ویلچر استفاده می شود. BCI مبتنی بر تصور حرکتی (MI-BCI) یکی از روش های کنترلی در تحقیقات BCI است. در روش MI-BCI فرد تصور می کند که در حال حرکت یکی از اعضای بدن خود است و این تصور باعث ایجاد الگوهایی در سیگنال مغزی می شود. با کمک استخراج این الگوها و با استفاده از روش های تشخیص الگو می توان حرکتی که فرد تصور کرده است را تشخیص داد. هدف از این پایان نامه، طبقه بندی سیگنال های EEG مربوط به تصور حرکتی دست راست، دست چپ، پاها و زبان مجموعه داده BCI Competition IV 2a است. در این کار ویژگی های استخراجی از حوزه فرکانس و زمان با کمک روش بانک فیلتری با ویژگی های استخراجی از حوزه آماری یا فضایی با استفاده از روش CSP تلفیق شده است. بعد از تلفیق ویژگی ها، طبقه بندی این ویژگی ها توسط شبکه CNN صورت گرفته است. در این تحقیق، چندین ساختار مختلف برای طبقه‌بندی این مجموعه داده توسط شبکه‌های CNN اجرا و پیاده سازی شده است. نتایج با نتایج بهترین کار مورد مطالعه نزدیک به این کار که با همین مجموعه داده اجرا شده، مقایسه شده است. نتایج نشان می دهد که تلفیق ویژگی های آماری با داده های خام در بستر شبکه های CNN نتیجه طبقه بندی را بهبود نمی بخشد؛ ولی به کمک ترکیب نتایج طبقه بندی داده های خام در یک شبکه CNN و داده های آماری به کمک طبقه بند KNN می توان نتیجه طبقه-بندی داده‌ها را تا 35/76 درصد بهبود بخشید. برای ترکیب نتایج دو طبقه بند از معیار درجه اطمینان بدست آمده برای هر یک از طبقه بندها در طبقه بندی هر داده استفاده شده است.