情感计算是实现人机交互的桥梁,其中情感计算中情感识别是一个至关重要的过程。情感识别根据情绪表达方法不同,可分为基于言语行为与基于非言语行为。在基于言语行为方面,研究者们大多关注于使用表情与语音分析用户情感状态,而在非言语行为方面,由于生理状态也包含大量情感信息,且被试者不受某些原因的影响,如刻意隐藏消极等,因此,基于非言语情感识别越来越受到研究者们的重视。基于非言语情感识别又可分为基于单模态和基于多模态情感识别,由于基于多模态情感识别可以利用多种信号,从多个方面去识别用户情感,其结果更加具有客观性和准确性,因此,基于多模态情感识别已经成为研究者们探索的焦点。在基于多模态情感识别中,由于脑电信号(EEG)反映用户中枢神经系统的情绪变化,外周生理信号反映用户自主神经系统的情绪反应,因此这两种信号得到了广泛使用。然而研究存在一个现实问题,脑电信号(EEG)需专业设备采集,所以采集过程比较困难和昂贵。基于上述原因,可以将脑电信号作为辅助信息来提高情感识别性能,因此本文提出基于典型性相关分析(CCA)、判别型典型性相关分析(DCCA)、加核判别型典型性相关分析(KDCCA)以及深度判别型典型性相关分析(DDCCA)的脑电信号辅助外周生理信号多模态情感识别。在训练期间,先提取外周生理信号及脑电信号,在脑电信号的辅助下,使用多种相关性分析算法创建情感判别空间,然后使用机器学习方法构建情感模型;在测试期间,只使用外周生理信号测试。本文分别从两个公开数据集DEAP数据集与DECAF数据集上进行实验,前期完成数据集的预处理、特征提取等操作,后期实现分类方法的模型训练及结果分析。在两个数据集上的多组实验结果统计分析数据表明本文使用多种特征融合技术中深度判别型典型性相关分析(DDCCA)的脑电信号辅助外周生理信号的方法可以提高情感识别性能,与之前同领域方法相比准确率提高9.31%,F1系数提高0.1467,根据多组实验证明结果具备一定程度可比性。本方法达到了较好的情感识别效果,可以实现在现实生活中非线性问题下情感识别目标。