为了实现更高效的P300信号特征提取，提出了一种融合Inception网络和注意机制模块IncepA-EEGNet的卷积网络模型。该模型采用不同感受野的卷积层并行连接，增强了脑电信号的网络提取和表示能力。引入注意机制，实现不同滤波特征的权重分配，提取P300信号中的重要信息。该模型在BCI-Competition数据集中的两个被试的数据上得到了验证。与其他深度学习模型相比，字符识别率indepa eegnet在五轮实验后的平均信息传输率达到75.5%，受试者B在三轮实验后的信息传输率达到33.44比特/分钟。实验结果表明，IncepA-EEGNet有效地提高了P300信号的识别精度，减少了重复测试的时间，提高了P300拼写器的实用性