近年来人机交互领域迅速发展,正确识别和分析人类情绪成为智能化的一项重要指标。与其它生理信号相比,脑电(EEG)信号具备不易伪装、时间分辨率高等优点,逐步成为情绪识别研究的重点。一方面,现有脑电信号的研究多使用传统的线性分析方法,虽然具有一定的分辨率,但存在抗噪声能力弱,对时间信号不敏感等缺点。因此,提出使用非线性的多尺度排列熵(MPE)算法研究脑电信号,使得情绪相关的脑电信号可识别性大大提高。另一方面,基于脑电信号的情绪识别研究多数采用所有通道的脑电数据,虽然取得了不错的效果,但实际实验过程中存在特征维数较高,特征之间存在关联,特征内部存在冗余等缺点影响了情绪识别的结果。为此,研究了情绪识别中不同脑电特征组合及通道优化选择方法,为便携脑电设备提供了一种新思路。论文主要工作如下:(1)针对脑电信号非线性和随机性且无法满足非平稳随机信号的处理要求等缺点,提出了基于多尺度排列熵的面部表情识别方法。该方法将多尺度熵(MSE)和排列熵(PE)结合起来形成一种新的非线性分析方法,这不仅满足了非平稳随机信号的处理要求,而且具有鲁棒性强、区分效果明显等特点。实验部分,探究了尺度因子对多尺度排列熵性能的影响,结果表明,尺度因子取值为2的情况下,基于该特征对脑电信号进行分析能够有效地区分面部表情的脑电信号。(2)针对EEG信号数据冗余导致分类精确度低等不足,提出了基于Relief-FGSBS的情绪识别通道选择方法,将Relief算法和浮动广义序列后向选择(FGSBS)方法相结合。首先,提取有效的脑电信号特征作为通道选择的输入数据,包括原始信号一阶差分绝对值的均值、多尺度排列熵、Higuchi分形维数、小波能量、小波熵等。然后,基于单一特征和组合特征对通道进行分析,根据通道选择算法并结合通道选用频率选出最优的通道集合。最后,采用支持向量机(SVM)验证通道选择方法的效果。通过比较最优通道集合与随机通道,发现最优通道集合的性能远远高于随机通道集合,并且在自采数据集以及公共数据集上进行了验证,最优通道集合具有极高的相似度,这表明所提出的通道选择方法具有有效性。