随着世界经济的高速发展和社会生活竞争压力的不断增大,精神疾病的患病率在全球范围内迅速上升,且越来越多的病例和自杀事件呈现出低龄化的趋势,对精神疾病的预防和诊治工作亟待重视与研究。脑科学研究和人工智能的蓬勃发展,为精神疾病提供了有效的诊疗手段,而情感作为人类精神状态的风向标,与人的心理健康息息相关,因此,脑电情感识别己经成为脑科学研究和人工智能领域内的一个研究热点。现阶段在脑电信号情感识别方向上己有许多的研究成果,但是情感特征提取依然存在许多问题和挑战,比如提取的特征信息不够丰富,单模态数据存在局限性,以及特征冗余等。许多研究中不加筛选地使用大量导联,导致数据的冗余和硬件复杂性,不仅影响识别的准确率,而且不利于成果转化成便携产品。针对上述问题,本文基于微分熵（Differential Entropy,DE）特征和卷积神经网络（Convolutional Neural Network,CNN）开展脑电情感识别方法研究。为提高情感识别的准确率,本文在CNN和SENet（Squeeze and Excitation Network,SENet）注意力机制的基础上,提出一种SE-DE-CNN的脑电情感识别模型。首先对原始数据进行滑动窗口分割样本和基线校准的预处理,然后提取各频带微分熵DE特征,按照电极位置排列把一维信号特征映射为二维平面,参考图像RGB的组织方式将得到的各频带二维特征矩阵进行堆叠,并充分利用CNN强大的特征提取能力来挖掘通道间的相关性。此外,在卷积层后引入SENet注意力机制,增强对目标信息的关注度并对不必要的特征信息进行抑制,最后将模型提取到的特征利用Softmax分类函数进行情感识别。本文在DEAP数据集上进行实验来评估所提出的模型性能,在Valence-Arousal维度上的平均分类准确率分别为91.08%和91.93%。实验结果表明,本文提出的SE-DE-CNN模型能有效进行情感识别。针对导联选择的问题,本文提出了一种基于Fisher Score的空间电极导联选择算法,通过Fisher Score计算每个导联的Fisher值,并采用权值相加法得到与受试者无关的共性导联值,以此来衡量各导联对于判别情感的价值高低,实现与情感相关性较强导联的筛选。同样在DEAP数据集上对全导联集合和筛选导联集合进行分类性能验证。最终筛选导联集合通过本文构建的SE-DE-CNN模型在Valence-Arousal维度上保持89.82%和91.10%的平均分类准确率,仅比全导联集合低1.26%和0.83%,但是导联数量降至全导联的一半以下,大大降低了计算的复杂性及时间。实验结果表明,基于Fisher Score的空间电极导联选择算法能在大幅度减少导联数量的同时获得较高的情感识别准确率,且所选导联的分布与处理一般情感任务的皮层区域一致,为日常生活或临床医学的情感识别中,降低可穿戴设备结构的复杂性,以及情感状态的无创评估系统提供参考。