La interfaz cerebro-computadora de imaginación motora (MI-BCI) tiene la capacidad de utilizar señales de electroencefalograma (EEG) para controlar y comunicarse con dispositivos externos. Al aprovechar las características únicas de las señales cerebrales relacionadas con la tarea, este sistema facilita una comunicación mejorada con estos dispositivos. Tales capacidades tienen un gran potencial para avanzar en la rehabilitación y el desarrollo de tecnologías de asistencia. En los últimos años, el aprendizaje profundo ha recibido considerable atención en el campo de MI-BCI debido a sus potentes capacidades de extracción y clasificación de características. Sin embargo, dos factores impactan significativamente el rendimiento de los modelos de aprendizaje profundo. El tamaño de los conjuntos de datos de EEG influye en la eficacia con la que estos modelos pueden aprender. De manera similar, la capacidad de los modelos de clasificación para extraer características afecta directamente su precisión en el reconocimiento de patrones. En este documento, proponemos una Red de Fusión de Convolución de Gráficos Dinámicos Espacio-Temporales a Múltiples Escalas (MST-DGCN) para abordar estos problemas. En la etapa de preprocesamiento de datos, empleamos dos estrategias, aumento de datos y aprendizaje por transferencia, para aliviar el problema de un volumen insuficiente de datos en el aprendizaje profundo. Al utilizar convolución a múltiples escalas, mecanismos de atención espacial y redes neuronales de gráficos dinámicos, nuestro modelo extrae de manera efectiva características discriminativas. El MST-DGCN consta principalmente de tres partes: el módulo espacio-temporal a múltiples escalas, que extrae información a múltiples escalas y refina la atención espacial; el módulo de convolución de gráficos dinámicos, que extrae información clave de conectividad; y el módulo de clasificación. Realizamos experimentos en conjuntos de datos de EEG reales y logramos una precisión del 77.89% y un valor de Kappa de 0.7052, demostrando la efectividad del MST-DGCN en tareas de MI-BCI. Nuestra investigación aporta nuevas ideas y métodos para el desarrollo adicional de sistemas de MI-BCI.