为解决传统基于脑电信号（ElectroencEphaloGraphy，EEG）的单模态脑机接口（Brain-Computer　Interface，BCI）技术存在的空间分辨率低、易受噪声干扰等问题，越来越多的研究开始关注基于　EEG　信号和功能近红外光谱
（functional　Near-InfRared　Spectroscopy，fNIRS）信号融合的BCI研究.　然而，这两种异构信号之间的融合具有挑战性，本文创新性地提出一种基于深度学习和证据理论的端对端信号融合方法，用于运动想象（Motor　Imagery，MI）分类.　对于EEG信号，本文通过双尺度时间卷积和深度可分离卷积提取其时空特征信息，并引入混合注意力模块以增强网络对重要特征的感知能力.　对于fNIRS信号，本文通过全通道的空间卷积探索大脑不同区域之间的激活差异，并通过并联时间卷积和门控循环单元（Gated　Recurrent　Unit，GRU）模块捕获更丰富的时间特征信息　.　在决策融合阶段，首先将两种信号分别解码得到的决策输出利用　Dirichlet　分布参数估计，以量化不确定性；然后使用　Dempster-Shafer　理论（Demp⁃ster-Shafer　Theory，DST）进行双层推理，从而融合来自两种基本信念分配（Basic　Belief　Assignment，BBA）方法和不同模态的证据，得到最终的分类结果.　本文基于公开数据集TU-Berlin-A进行模型的测试评估，获得了83.26%的平均准确率，相较于最先进研究提升了3.78%，该结果为基于EEG和fNIRS信号的融合研究提供了新的思路和方法.