随着互联网和移动通信技术的发展,多媒体内容的数量迅速增加,对多媒体内容进行标注是实现平台推荐和用户检索的有效手段,而情感标注在推荐和检索中发挥着重要作用。情感标注方法可以分为显式情感标注和隐式情感标注,显式情感标注要求用户在观看多媒体内容时主动记录自身情感,但这种方法易受到用户主观判断影响且费时费力,而隐式情感标注则通过分析用户在观看多媒体内容时的生理和行为反应来自动完成情感标注,不需要用户主动操作,从而更为客观和高效。在众多类型的生理和行为反应中,脑电信号（Electroencephalography,EEG）可以直接反应用户大脑的神经活动,因而其分析和研究得到了广泛的关注。然而,不同用户的脑电数据由于“个体差异性”影响通常会存在分布差异,无法满足分类模型所需的样本独立同分布条件,从而难以构建泛化能力较好的跨用户（Subject-independent）通用情感标注模型。针对新用户,虽然可以通过收集其少量的脑电数据来进行模型校准并为其构建用户依赖（Subject-dependent）的专用情感标注模型,但是这一过程会为模型构建带来额外的时间和效率成本,同时降低用户的使用体验。为了有效利用前期已有的用户脑电数据,在无需校准的前提下为新用户构建其专用情感标注模型,本文提出了一种基于课程式伪标签增强的无监督领域自适应情感标注算法,通过将已有用户的数据作为源域,将新用户的数据作为目标域,通过有效降低两个域之间的数据分布差异,来将源域的知识迁移到目标域,以辅助新用户模型的构建。本文的主要工作和创新如下:（1）提出了一种基于课程式伪标签增强的无监督领域自适应（Domain Adaptation Enhanced by Curriculum Pseudo-Label,DAECPL）情感标注算法。该算法将已有用户带情感标注的脑电片段作为源域,将新用户观看多媒体内容时所采集的脑电片段作为目标域,通过迁移源域中的脑电情感信息来对目标域脑电片段进行情感伪标签标注,进而实现相应多媒体内容的情感标注。为了减少源域和目标域之间的分布差异,同时保证在新的特征空间中特征具有可分性,DAECPL引入基于类别的最大均值差异（Categorical Maximum Mean Discrepancy,CMMD）来对两个域的数据分布一致性进行自适应优化。为了保证最终伪标签的准确性进而改善CMMD自适应优化的效果,DAECPL还引入了课程式伪标签模块,在训练过程中选择伪标签可信度较高的目标域样本来辅助训练分类模型,从而在充分利用目标域数据的同时有效提升了伪标签的真实性。（2）考虑到DAECPL算法只适用于单个源域和目标域之间的自适应优化,为了有效利用多个已有用户的脑电数据,即多个源域的脑电情感信息,提出了一种多源域课程式伪标签增强的领域自适应算法（Multi-Source Domain Adaptation Enhanced by Curriculum Pseudo-Label,MS-DAECPL）。该算法综合考察了多源域情况下各源域之间存在的数据分布差异,在DAECPL的基础上加入动态加权模块,通过计算多个源域与目标域之间的CMMD来判断数据分布相似性,进而为与目标域相似度较高的源域赋予更大的权重,最终在模型训练过程中对多个源域的样本进行加权来实现源域选择,进一步提升了无监督领域自适应情感标注算法的性能。（3）为了验证DAECPL和MS-DAECPL算法的有效性,本文在SEED数据集上设计了一对一迁移和多对一迁移两种实验范式,并与DeepCoral,DAN以及DANN三种基线方法进行了性能对比。实验结果表明本文所提出的两种算法在一对一和多对一迁移范式上均取得了最好的效果,标注准确率分别为67.85%和82.25%。同时,t-SNE特征可视化实验则证明了本文提出的算法相比其他基线方法,最终构建的特征向量更具有可分性。此外,为了验证课程式伪标签模块和动态加权模块的有效性,本文还设计了消融实验,结果表明课程式伪标签模块能显著提升情感标注的准确率,而动态加权模块则可以选择出更适用于迁移的源域,进一步提升算法的性能。综上所述,本文提出的DAECPL和MS-DAECPL算法可以为目标用户构建有效的无监督脑电情感标注模型,其可用性和鲁棒性均在实验中得到了验证,这为媒体信息的隐式情感标注提供了一种新的思路。