Pessoas acometidas de doenças degenerativas muito graves possuem atividade cerebral como qualquer outra pessoa. Entretanto, elas possuem obstruções nas vias normais de comunicação responsáveis pelo controle dos nervos e músculos. Nos casos mais extremos, essas obstruções impossibilitam completamente a realização de tarefas diárias. A imagética motora, que consiste na imaginação da movimentação de um membro, sem efetivamente executá-lo, vem sendo explorada para o desenvolvimento de interfaces cérebro-máquina que permitam a execução de algumas tarefas básicas do dia a dia. O principal componente de uma interface cérebro-máquina é o algoritmo para o reconhecimento de imagética motora a partir de sinais cerebrais. Este trabalho propõe um sistema para o reconhecimento de múltiplas classes de imagética motora através de sinais de EEG que utiliza uma Rede Neural Convolucional. Visando o cenário de classificação independente do sujeito, os sinais foram normalizados de forma a reduzir a variabilidade entre sinais provenientes de diferentes sujeitos, e de diferentes sessões de aquisição para um mesmo sujeito. Para a avaliação de desempenho foram utilizadas algumas bases de dados públicas. A principal delas é a disponibilizada pela PhysioNet uma vez que, para o melhor do nosso conhecimento, é a base de dados de sinais de EEG de imagética motora pública com o maior número de sujeitos disponível atualmente. Foram utilizadas também bases de dados da IV Competição de Interfaces Cérebro-Maquina, muito utilizadas em trabalhos de classificação de imagética motora presentes na literatura. Na base de dados da PhysioNet, o sistema obteve uma acurácia média de 82.11% (± 3.65%), no cenário de classificação das classes punho esquerdo e punho direito, independente do sujeito. Esse resultado se demonstra competitivo, uma vez que não apresenta diferença significativa com os melhores resultados encontrados na literatura. No cenário de classificação de 4 classes (olhos fechados, punho esquerdo, punho direito e pés), o sistema obteve uma acurácia média de 66.11% (± 4.46%), apresentando uma melhoria relativa de 1.6% em relação ao melhor resultado encontrado na literatura. Na base de dados II-B da IV Competição de interfaces cérebro-máquina, o sistema obteve uma acurácia média de 71.14% (± 5.63%), na classificação das classes mão esquerda e mão direita, independente do sujeito. [resumo fornecido pelo autor]