本文提出了一种基于深度学习的高效方法，用于肌萎缩侧索硬化症（ALS）与正常肌电图（EMG）信号的分类。EMG信号在分析神经肌肉疾病（如ALS）方面具有重要价值。ALS是一种著名的神经系统退行性疾病，其特征为运动神经元的进行性退化。以往大多数关于EMG信号分类的研究主要采用十余种基础信号处理方法，如统计信号处理、小波分析以及经验模态分解（EMD）。本文提出了一种新的应用方法，该方法基于EMG信号的时频（Time-Frequency, TF）表示，并结合卷积神经网络（Convolutional Neural Network, CNN）进行建模。其中，短时傅里叶变换（Short-Time Fourier Transform, STFT）被用于构建时频表示。所设计的CNN架构包含两层卷积层、两层池化层、一层全连接层以及一个损失函数层。所提出方法的性能在公开可用的EMG数据集上进行了验证，该数据集包含89例ALS患者与133例正常人的EMG信号，采样频率为24 kHz。实验结果表明，分类准确率可达96.69%。此外，将该方法与其他现有技术进行对比分析，结果表明所提方法具有显著优势，展现出更高的分类性能。