人类的情绪是由客观外界事物刺激而产生的一种身心状态,在个体的生存和发展中发挥着重要作用。随着人工智能的快速发展,准确地情绪识别可以实现更自然、更友好的人机交互,提升用户情感体验。脑电信号（Electroencephalogram,EEG）由中枢神经系统产生,客观综合地反映人体生理与心理状态,时间分辨率高,这为构建可靠的情绪识别系统提供了可能。因此,脑电信号的情绪认知研究逐渐火热,如何有效提取和优化脑电信号中具有辨别性的情绪关联特征并提升情绪识别准确率成为各学科的共同命题,本文对采集到的视频诱发脑电数据进行情绪识别研究,主要工作如下:（1）设计视频诱发人脑情绪反应实验范式,高质量采集被试在快乐、平静、悲伤、恐惧四种情绪下的脑电信号,构建情绪脑电数据库。对于采集到的原始脑电数据,利用EEGLAB工具箱进行初步处理。针对传统伪迹去除方法易导致重要信息丢失或去除不完全的问题,本文将多通道维纳滤波器（Multi-Channel Wiener Filter,MWF）用于脑电伪迹分离,并与独立成分分析方法对比,实验结果显示MWF表现出更好的脑电伪迹分离能力和更低的成分失真性。（2）根据时序脑电信号节律性、非平稳性的特点,本文从时域、频域和非线性三方面展开特征分析,通过单特征情绪分类实验获得了对情绪识别任务贡献度高的关键特征。为避免“多通道串扰”导致脑电特征维度高和特征冗余,针对特定被试,提出基于权值更新的SVM-m Relief F通道选择方法,但效果不理想,被试之间通道选择结果差异较大,因此进一步利用m Relief F方法探究跨被试的共性通道选择模型,实验结果显示最优前15公共通道的情绪识别率为72.55%,与最高情绪识别率的差值仅为1.90%,满足在基本不损耗情绪识别准确率的前提下有效减少脑电通道的目标要求,且15个通道大部分位于大脑额叶和顶叶区,符合情绪产生的生理学机理,证明了公共脑电通道选择的有效性和可行性。（3）针对传统单一分类算法的缺陷,本文提出一种基于SVM-KNN融合算法的脑电信号分类方法,用于情绪类型识别。对比单一算法分类器,SVM-KNN融合算法分类器的平均识别准确率为76.56%,分别超过KNN和SVM分类器8.85%和2.60%,验证了SVM-KNN分类器用于情绪脑电识别分析的有效性。为避免样本类不平衡对分类器性能的影响,进一步利用类间样本密度加权的KNN算法改进SVM-KNN分类器,优化后的SVM-KNN分类器泛化能力更强,识别准确率超过传统SVM-KNN分类器2.37%。