情绪识别作为脑机接口研究热点,在心理健康、生物医疗、艺术评测等众多领域扮演越来越重要的角色。相比于以往基于面部表情的情绪识别而言,基于脑电信号的情绪实验研究不仅能够克服面部表情特征不明显、人为隐藏情绪做出错误的面部表情造成的错误识别,而且能够借助深度学习方法深层挖掘深层特征,高度识别复杂情绪。然而,EEG信号存在频段复杂多样、噪声干扰强、非平衡性等特点,在基于脑电信号的深度学习方法进行情绪识别时如果使用单一的脑电特征如时域特征、频域特征来进行分类,就会严重影像情绪识别准确率。如何利用更多的特征的描述脑电信号,并结合多种特征优势,提高情绪识别的准确率一直是研究的热点。基于此,本文围绕时域特征和频域特征提取、融合以及融合网络构建展开研究,提出了基于时频特征融合网络的情绪识别方法,具体内容如下:1.针对EEG信号的单一特征对EEG信号特征表达不够完全的问题,提出了基于多特征融合的情绪识别方法。本方法通过提取多类特征（能量熵、差分熵、小波均值和小波标准差）,将这些特征两两组合,区别于现有的多维度特征,通过数学方法进行融合计算,得到融合特征,将融合后的特征输入搭建的CNN网络进行分类计算情绪识别的分类准确率,对比找到最优的特征组合策略。本方法在DEAP数据集上进行实验,将单一特征的准确率和多特征融合的准确率进行对比,结果证明多特征融合的情绪分类准确率要高于单一特征识别准确率,准确率最高能提升5.1%,验证了本方法在情绪识别方面的可行性。2.针对单一网络结构对EEG信号特征提取不够充分的问题,提出了基于CNN&LSTM融合神经网络进行频域特征和时域特征的融合来进行情绪识别。本方法通过计算EEG信号的频域特征和时域特征将两类特征分别输入CNN&LSTM融合网络的CNN部分和LSTM部分,在特征提取后将两类特征连接到一个时频融合特征向量中去完成特征融合,最后完成情绪识别,在实验过程与单一网络特征识别设置了对比实验,实验结果表明,在DEAP公开数据集上,使用CNN&LSTM融合网络得到的特征的分类准确率比使用单一的CNN频域特征或LSTM时域特征的分类准确率提高了7.3%,验证了本方法的在情绪识别方面的可行性。