目的　基于深度学习的脑电图-功能性近红外光谱技术(electroencephalogram-functional　near-infrared　spectroscopy,　EEG-fNIRS)多模态脑机接口在康复工程中具有广泛的应用前景，但存在数据量不足的问题。为此，本文提出一种基于改进条件生成式对抗网络(conditional　generative　adversarial　network,　CGAN)的EEG-fNIRS多模态信号数据增广方法，以解决EEG-fNIRS多模态脑机接口与深度学习结合时面临的数据量匮乏的问题。方法　首先，对EEG和fNIRS数据进行滤波、归一化和下采样等预处理。然后，针对EEG的非平稳特点，在CGAN生成器和判别器中增加自注意力机制，获得EEG数据增广模型CGAN_E,加强捕捉和学习时变关键信息的能力。同时，针对fNIRS采样率低、信息量不充分问题，在CGAN生成器和判别器中增加上采样卷积层，获得fNIRS数据增广模型CGAN_f,加强模型的信息挖掘能力，并将CGAN_E和CGAN_f的条件信息设置为类标签；进而，利用CGAN_E和CGAN_f对每导EEG和fNIRS分别进行增广，并将多导EEG扩增数据和多导fNIRS[包括氧合血红蛋白浓度(oxyhemoglobin　concentration,　HbO)和脱氧血红蛋白浓度(deoxyhemoglobin　concentration,　HbR)两种]扩增数据串接融合，获得EEG-fNIRS多模态增广数据。最后，对公开的EEG-fNIRS多模态信号数据集TU-Berlin-A前6名受试者数据进行增广实验，并设计一维卷积神经网络分类器评估增广数据的质量。结果　基于EEG-fNIRS多模态信号公开数据集TU-Berlin-A前6名受试者的左右手运动想象数据进行实验研究表明，当数据扩增5倍时，本文方法取得94.81%的平均分类准确率。结论　CGAN_E和CGAN_f能够生成接近真实数据分布的EEG和fNIRS信号，验证了对CGAN改进和本文所提EEG-fNIRS多模态数据增广方法的有效性。