情绪在人类的日常生活、认知过程和人际交往中,起着重要的作用。在人机交互领域,情感计算将技术和情感融合起来,使得机器能够根据用户情感状态做出及时合理的响应,其中情绪识别是情感计算的关键技术。脑电信号反映了与情感密切相关的生理活动,因此,基于脑电信号的情绪识别任务已经成为众多学者的热门研究课题。脑电信号在采集过程中往往容易受到各种各样的伪迹污染,伪迹去除是进行基于脑电信号情绪识别的首要步骤。本文基于深度学习技术,研究脑电信号的伪迹去除以及情绪识别问题,主要研究内容如下:(1)脑电信号由于十分微弱,常常受到其他生物电或者环境电噪声的干扰,这给基于脑电信号的数据分析任务带来了困难。本文针对传统去伪迹算法难以满足依赖的假设条件以及需要人工参与决策的问题,提出了无需特定假设的、在线的、多通道的、全自动的和端到端的基于生成对抗网络的去伪迹算法。该算法无需特定的假设,能自动的学习各种伪迹信号的分布,同时考虑了多个通道的脑电信号,端到端地完成脑电信号的伪迹去除。训练该算法只需要一组纯净的脑电信号和一组带噪的脑电信号,不需要成对的训练数据,也就是说,不需要知道伪迹信号具体的类型与幅值,这样的特点使本文提出的算法在多种应用中具有普适性。在公开的眼电伪迹数据库上,与其他主流去伪迹算法相比,该算法达到了更好的去噪效果。(2)由于人类的情绪状态是连续的而不是离散的,因此如何从脑电信号中估计连续的情绪状态成为本文的主要研究内容。本文针对特征提取、标签可靠性和网络训练等问题进行了思考和研究,提出基于浅层全卷积网络和多尺度级联训练的脑电信号情绪识别算法。该算法利用浅层全卷积网络算法从原始的脑电信号自动地提取情绪相关的特征,减少了大量的特征工程工作,同时也避免了有限维度的手工特征可能丢失部分重要脑电信息的问题。该算法利用局部预测模块和全局平均池层,减少了网络的参数量,避免了过拟合的风险,并缓解了分段增广法引入的标签不可靠的影响。在网络训练方面引入的多尺度级联训练,使得训练测试过程具有较低的空间和计算资源消耗,并且解决了训练片段标签不可靠与数据量的问题。最后,在公开情感数据集DEAP上,本文算法在效价度、唤醒度、支配度、喜欢程度这4个情感维度上的均方误差分别为3.9181、3.6009、3.4441、4.806。上述实验结果超过了其他主流脑电特征提取网络,这充分说明了本文算法的有效性。