Las señales cerebrales pueden ser capturadas a través del electroencefalograma (EEG) y utilizarse en diversas aplicaciones de interfaz cerebro-computadora (BCI). La clasificación de la imaginación motora (MI) utilizando señales de EEG es una de las aplicaciones importantes que pueden ayudar a un paciente con accidente cerebrovascular a rehabilitarse o realizar ciertas tareas. El manejo de las señales EEG-MI es desafiante porque las señales son débiles, pueden contener artefactos, dependen del estado de ánimo y la postura del paciente, y tienen una relación señal-ruido baja. Este artículo propone un modelo de red neuronal convolucional de múltiples ramas llamado Multi-Branch EEGNet con Módulo de Atención de Bloque Convolucional (MBEEGCBAM) utilizando un mecanismo de atención y técnicas de fusión para clasificar las señales EEG-MI. El mecanismo de atención se aplica tanto a nivel de canal como a nivel espacial. El modelo propuesto es un modelo ligero que tiene menos parámetros y una precisión más alta en comparación con otros modelos de última generación. La precisión del modelo propuesto es del 82.85% y del 95.45% utilizando el conjunto de datos de imaginación motora BCI-IV2a y el conjunto de datos de alta gamma, respectivamente. Además, al utilizar el enfoque de fusión (FMBEEGCBAM), logra una precisión del 83.68% y del 95.74%, respectivamente.