目的 基于卷积神经网络(convolutional neural network, CNN)识别运动想象脑电信号(motor imagery-electroencephalogram, MI-EEG)是神经康复领域的研究热点，而现有的CNN模型难以同时从时间-频率-空间多域提取丰富的特征信息，并有效应对MI-EEG的个性化特点。为此，本文提出一种基于双注意力的多尺度卷积神经网络(dual attention based multi-scale CNN,DAMSCNN),以实现运动想象任务的多域特征提取并分类。方法 首先，设计滤波器组对原始运动想象信号滤波，并拼接多频带数据，从而构建时-频-空三维MI-EEG数据，将其输入至双注意力模块，由挤压-激励块(squeeze and exitation block, SE Block)和自注意力块(self-attention block, SA Block)分别计算各频带和各导联的注意力权重，增加对有用频率、空间信息的专注力；然后，利用多尺度时间卷积模块并行获取关键频-空信息的多尺度时间特征信息，并与三维MI-EEG数据整合；再基于空-频卷积模块提取和融合所有导联的空间特征和所有频带的频率特征，最终由分类模块完成MI分类。为验证该方法的有效性与可行性，本研究在BCI Competition IV 2a公共数据集上分别进行消融实验及对比实验，并以准确率和F1值作为评价指标。结果 DAMSCNN的组内实验和组间实验分别取得84.02%和79.81%的平均分类准确率，及82.32%和79.67%的F1值。结论 DAMSCNN能够自适应地捕捉MI-EEG的时-频-空特征信息，增强有用信息的注意力重要性，提高了运动想象信号分类精度。