针对运动想象脑电信号(motor　imagery　electroencephalography,MI-EEG)的时变性、个体差异性等特点,提出一种将小波包变换(wavelet　packet　transform,WPT)与深度信念网络(deep　belief　networks,DBN)相结合的脑电特征自动提取方法,记为WD法.首先,利用平均功率谱方法对MI-EEG进行时域分析,选取有效的时序段.其次,使用WPT对有效时域段的各导MI-EEG进行时频分解,并选取与想象任务相关的频段信息重构脑电信号;然后,将各导重构MI-EEG串接,并将其瞬时功率信号输入给DBN模型实现特征自动提取.最后,利用Softmax分类器完成脑电想象任务的模式分类.在DBN模型训练中通过增加Dropout训练技巧来解决因训练数据少等引起的过拟合问题,以提高分类结果.利用BCI标准竞赛数据库进行实验研究,5-折交叉验证法取得了94.06％的分类准确率,证明该方法能够充分利用脑电的神经生理学特点,自适应地提取个性化的深层脑电特征,有利于改善分类效果.