La investigación sobre la imaginación motora basada en electroencefalograma (MI-EEG) puede identificar las extremidades de los sujetos que generan la imaginación motora mediante la decodificación de las señales EEG, lo cual es un tema importante en el campo de la interfaz cerebro-computadora (BCI). Los métodos de clasificación existentes basados en aprendizaje profundo no han podido emplear completamente la información topológica entre las regiones cerebrales, por lo que el rendimiento de clasificación necesita una mejora adicional. En este artículo, proponemos una red de atención convolucional de gráficos de múltiples vistas (MGCANet) con una estructura de aprendizaje residual para la decodificación de MI de múltiples clases. Específicamente, diseñamos un método de extracción de características espaciales de convolución de gráficos de múltiples vistas basado en la relación topológica de las regiones cerebrales para lograr una agregación de información más completa. Durante el modelado, construimos un módulo de fusión de pesos adaptativos (Awf) para fusionar de manera adaptativa las características de diferentes vistas cerebrales y mejorar la precisión de la clasificación. Además, se introduce un mecanismo de autoatención para la selección de características con el fin de ampliar el campo receptivo de las señales EEG hacia una dependencia global y mejorar la expresión de características importantes. El modelo propuesto se evalúa experimentalmente en dos conjuntos de datos públicos de MI y logra una precisión media del 78.26% (conjunto de datos BCIC IV 2a) y del 73.68% (conjunto de datos OpenBMI), superando significativamente a los métodos comparativos representativos en precisión de clasificación. Los resultados experimentales completos verifican la efectividad de nuestro método propuesto, el cual puede proporcionar perspectivas novedosas para la decodificación de MI.