随着科技的发展,人机交互智能化、人性化的需求日益凸显。自动驾驶、虚拟现实等新型人机交互应用成为热门研究领域。在人机交互应用中引入情绪识别技术,让机器理解人类的情绪倾向,更有助于提高用户体验的质量。从脑-机接口获得的脑电图信号因具有高时间分辨率和客观性等特点被广泛用于情绪识别研究。本文基于大型开源数据集DEAP中的脑电信号,分别从脑电特征表示、深度学习模型构建和情绪分类三个维度探究了脑电信号不同情绪识别方法,旨在提高脑电情绪识别的准确率和稳定性,进而提高脑-机接口应用中人机交互的性能。具体的研究工作包含以下三个方面:（1）探究了一种改进的基于微分熵四阶谱矩的脑电（Electroencephalogram,EEG）特征表示方法,用 MD-DE（Modified Differ-ential Entropy）表示,使用时间卷积神经网络（Temporal Convolution Network,TCN）对不同频带的MD-DE特征进行情绪分类研究。实验结果表明,基于TCN模型的分类准确率在效价和唤醒度上达到84.60%和83.19%,说明该特征能够有效提取脑电信号情绪相关特征。与其他5种时频域特征进行对比研究,MD-DE特征比表现次好的特征的准确率分别高出4.50%和3.56%,说明该特征具有较好的可分性,也验证了 TCN模型确实能够提取EEG序列中与情感相关的深层时序信息,以提高识别性能。（2）设计了一种基于3D矩阵特征与多维卷积神经网络的脑电信号情感识别方法,多维卷积网络用MCNN表示。该3D矩阵特征是指每个时间点上提取的6个频带的PSD特征按大脑电极位置分布,转换为9×9网状矩阵后连接得到的一个9×9×6的三维矩阵,该表征方法能够直接准确反应大脑皮层EEG信号的空间相关性和时频动态,再将该特征输入一个多维卷积神经网络进一步提取相关深度语义特征并进行二分类情绪识别,在唤醒度和效价维度上分类准确率分别达到了 85.88%和87.32%。相同实验条件下,比目前较优的基准特征的分类准确率分别提升了 5.41%和5.69%,比表现最优的其他深度模型的准确率分别提升了 3.52%和4.18%。表明3D特征与多尺度卷积相融合的识别方法有效获取了更多增益信息,提高了不同情绪的判别性。（3）设计了一种基于脑电连通性与自适应残差卷积网络的情绪识别模型,用BC-DA-RCNN表示。该模型采用全局脑网络连通矩阵表示大脑各空间域的连通信息（BC）,采用领域自适应残差网络（DA-RCNN）提取EEG信号不同维度间的深度抽象语义特征,并减少不同被试数据间的域偏移,强化不同被试间的共有特征。所提模型能够有效提取与人类大脑情感状态相关的空间连通信息并引入领域自适应,实现被试内以及跨被试脑电信号的精准情绪分类,具有较低复杂性和较优的域鲁棒性和泛化能力。效价维度上所提模型在依赖于被试和独立于被试的二分类情绪分类准确率分别达到95.15%和88.28%,在唤醒度上两类实验的分类准确率分别达到94.84%和87.60%,均优于基准方法以及现有情绪识别模型。本课题所研究的改进的MD-DE特征、3D矩阵特征以及脑网络连通特征的表示方法明显增强了EEG信号中与情感相关信息的判别性和可分性。所研究的多尺度卷积模型和域适应残差卷积网络对特征进行深度学习并分类,提取到了具有高判别性的深层情绪特征,大大提高了情绪识别的准确性和鲁棒性,为后续开发高性能情感脑-机接口应用研究提供了良好基础。