目的 探讨图-时空卷积神经网络（G-STCNN）在脑卒中患者运动意图识别中的解码精度和模型性能。方法 融合图卷积与时空卷积模块，构建能够同时感知脑电信号局部拓扑结构与全局空间-时间动态特征的G-STCNN模型。选择首都医科大学宣武医院提供的“中风患者脑电图数据集”公共数据库50例急性缺血性脑卒中（CIS）患者的2 000条脑电图（EEG）数据集进行验证。采用混淆矩阵实验比较深度卷积神经网络、紧凑型卷积神经网络、浅层卷积神经网络、G-STCNN 4种深度学习模型的解码精度[正确率（ACC）、阳性预测值（PPV）、灵敏度（Sens.）与Kappa系数]；采用消融实验评估去除图卷积模块（模块2）与去除时空卷积模块（模块3）后的G-STCNN模型性能。结果 (1)混淆矩阵：深度卷积神经网络模型的左手与右手的分类准确率分别为57.44%和50.89%；误分类率分别为42.56%和43.56%。紧凑型卷积神经网络模型的左手与右手的分类准确率分别为57.56%和54.78%；误分类率分别为42.44%和39.67%。浅层卷积神经网络模型的左手与右手的分类准确率分别为56.56%和49.56%；误分类率分别为43.44%和44.89%。G-STCNN模型的左手与右手的分类准确率分别为73.55%和76.33%；误分类率分别为26.45%和23.67%。G-STCNN其对角线数值最大且颜色最深；而非对角数值最小且颜色最浅。(2)解码精度：与深度卷积神经网络、紧凑型卷积神经网络和浅层卷积神经网络比较，G-STCNN的ACC、PPV、Sens.和Kappa系数均明显更高，差异具有统计学意义（P(0.05）。(3)模型性能：G-STCNN左手、右手的特征点在二维空间中形成清晰的聚集与明显的边界。去除图卷积模块2后，左手、右手特征点分布明显混杂，聚类边界模糊；去除时空卷积模块3后，左手、右手特征点表现出高程度重叠，类间距离减小。结论 G-STCNN模型运动想象任务解码精度更高，可为脑卒中患者分层干预提供数据支持。