人工神经网络是仿照生物学机制处理信息的数学模型,目前仿生程度最高的模型是脉冲神经网络,它以脉冲序列作为信息传递的载体,以突触可塑性作为信息更新的规则,在处理时空数据上具有良好表现。情绪识别是人工智能技术的重要应用领域之一,是实现情感计算和情感脑机接口的基础,脑电能够客观反映情绪变化,具有空间、时间双重特征,因此众多学者利用各类人工神经网络基于脑电数据对情绪进行分类,但利用类脑脉冲神经网络识别情绪的研究尚处于初级阶段。本文构建了一种可有效识别情绪脑电的脉冲神经网络,并将其与构建的卷积神经网络和循环神经网络进行对比分析。为探究情绪生理机制,进一步提高情绪识别准确率,本文采用多元格兰杰因果关系和标准化低分辨率电磁层析成像技术进行情绪的脑功能分析,寻找与情绪相关的感兴趣脑区和感兴趣电极通道,并利用所构建的三种神经网络模型进行分类。本文的主要内容如下:（1）分别基于传统的漏积分点火模型（leaky integrate and fire,LIF）和具有自适应阈值电压的LIF模型构建了以在线脉冲时序依赖可塑性规则为权重更新算法的脉冲神经网络,通过引入噪声影响对脉冲神经网络的动力学特性进行分析。研究发现,在噪声干扰下,通过可塑性规则调节后,神经网络的放电更加规律,同步性更强。（2）利用构建的脉冲神经网络对情绪脑电进行识别。针对DEAP数据集进行效价和唤醒度维度的二分类实验,针对SEED数据集进行积极、中性和消极情绪的三分类实验。研究发现,以具有自适应阈值电压的LIF模型为节点的脉冲神经网络分类效果优于传统LIF模型,说明引入自适应阈值电压机制能够提高网络的学习能力与分类效果。（3）在同一实验条件下,构建基于残差结构的卷积神经网络和基于双向长短时记忆结构的循环神经网络作为对比实验。实验结果显示:在二、三分类实验中,脉冲神经网络的分类准确率均优于同一实验条件下的卷积神经网络和循环神经网络。这表明脉冲神经网络在情绪识别领域有巨大潜力,为情感计算提供了新的思路。（4）为提高识别准确率和效率,采用多元格兰杰因果关系和标准化低分辨率电磁层析成像技术进行情绪的脑功能分析,选出与情绪相关的感兴趣脑区和感兴趣电极通道,以选择的感兴趣电极通道原始脑电作为输入进行分类。结果显示,情绪处理的感兴趣脑区主要集中在额叶、颞叶、枕叶三个脑叶,仅以感兴趣电极通道脑电为输入时,脉冲神经网络和循环神经网络的分类准确率提高。