针对运动想象脑电（MI?EEG）多分类问题，在已有研究的基础上进行改进，构建了基于深度可分离卷积的轻量级卷积神经网络（L?Net）和轻量级混合网络（LH?Net），并在BCI竞赛Ⅳ-2a四分类数据集上进行了实验和分析，结果表明：L?Net比LH?Net可以更快地拟合数据，训练时间更短；但LH?Net的稳定性比L?Net更好，在测试集上的分类性能具有更好的稳健性，平均准确率和平均Kappa系数比L?Net分别提高了3.6个百分点和4.8个百分点。为了进一步提升模型分类性能，采用了基于时频域的高斯噪声添加新方法对训练样本进行数据增强（DA），并针对噪声的强度进行了仿真验证，推测出了两种模型的最优噪声强度的取值范围。仿真结果表明使用了该数据增强方法后，两种模型的平均准确率最少提高了4个百分点，四分类效果均得到了明显提升。
