情绪与人类行为、家庭和社会密切相关,因而如何识别人们的情绪变化也就成为了一个重要的课题。脑信号能反应大脑神经的基本活动且不容易伪装,因而基于脑信号的情绪识别能更加真实可靠,随着脑机接口技术的发展,基于脑信号的情绪识别也受到了广大研究者的关注。然而受限于脑信号的非平稳性、个体差异性以及较高的采集成本与采集过程中不可避免的伪迹引入等问题,如何提高不同情绪的识别准确率仍然是一个值得研究的问题,基于此,本文围绕基于脑信号的情感识别与迁移性展开研究,主要内容如下:首先,针对基于传统情绪脑信号特征提取方法存在的忽略空域信息的问题,本文应用了一种新的特征提取方法并设计了与之对应的深度神经网络结构。为了得到空域信息,首先在黎曼流形上得到空间协方差矩阵的黎曼均值和距离,然后通过黎曼核方法实现切空间学习并将空域信息从黎曼几何空间投影到欧几里得空间。然后,利用两个全连接层来学习高阶空域信息。此外,通过微分熵特征,利用结合注意力机制的长短期记忆网络从欧氏空间中学习脑信号的时域信息。接着,选择一种有效的特征融合策略将空间信息和时间信息结合起来,通过权重学习实现对高维特征向量的选择决策,并在公开数据集SEED上进行了有效性验证。其次,为了解决情绪脑信号在研究个体和不同实验时间中的差异性,本文引入迁移学习,从两个不同角度对情绪脑信号进行了迁移性研究。一是在前文设计的循环神经网络的基础上从损失函数入手,加入基于黎曼度量的改进相关性差异损失,在网络训练过程中通过最小化损失函数来减小源域与目标域之间的差异性。二是从特征结构入手,使用了基于无监督学习的域自适应方法,通过匹配不同特征统计分布之间的差异对源域特征与目标域特征进行变换重构后,输入网络进行特征融合与分类。同样在SEED数据集上设计了跨会话与跨被试的实验对方法有效性进行了验证。