为了实现更高效的P300信号特征提取,提出融合Inception网络和注意力机制模块的卷积网络模型,即In-cepA-EEGNet.该模型使用不同感受野的卷积层进行并行连接,增强网络提取和表达脑电信号的能力.引入注意力机制实现不同过滤器特征的权重分配,提取P300信号中的重要信息.模型在BCI　CompetitionⅢ数据集II的2个受试者数据上进行验证.与其他深度学习模型相比,IncepA-EEGNet的字符识别率在5个实验轮次后达到平均75.5％,在3个轮次后受试者B的信息传输速率达到33.44　bit/min.实验结果表明,IncepA-EEGNet有效提高了P300信号的识别精度,减少了重复试验的时间,改善了P300拼写器的实用性.