Las señales de EEG con una amplitud débil, ruido de fondo complejo, aleatoriedad, diferencias individuales significativas y un volumen de datos pequeño conducen a una extracción de características insuficiente y una baja precisión de clasificación. Impulsado por estas preocupaciones, este documento propone un método de clasificación de señales de EEG de imágenes motoras basado en la fusión de la red ResNet18 mejorada con la red convolucional deformable (DCN). Específicamente, las características locales del espacio aéreo de la señal original se mejoran mediante los patrones espaciales comunes (CSP), y las características del dominio tiempo-frecuencia se muestran utilizando la transformada de Fourier de corto tiempo (STFT). Luego, la señal se convierte en un mapa tiempo-frecuencia, donde se aplica una convolución deformable para capturar las características del contorno del mapa tiempo-frecuencia. Esta estrategia resuelve los problemas de la convolución tradicional relacionados con reglas estrictas, es decir, la forma del núcleo de convolución solo puede ser un núcleo cuadrado o rectangular y no puede cambiarse dinámicamente según el objetivo de reconocimiento, lo que resulta en una baja tasa de reconocimiento, prohibiendo que la red extraiga características ocultas y proporcionando una identificación y clasificación mejoradas. Los resultados experimentales demuestran que nuestro método logra una precisión de clasificación promedio en señales de EEG de imágenes motoras de dos clasificaciones y dos de cuatro clasificaciones del 90,30%, 86,50% y 88,08%, respectivamente, que es mucho más alto que el trabajo actual, demostrando la efectividad de nuestro método.