情感识别作为人工智能的一个关键领域,不仅为人机交互的发展提供了技术支持,也能够帮助医生实时监测患者的心理状态。脑电图（Electroencephalogram,EEG）记录了大脑活动时的脑电波,这些脑电波蕴含着大量情感信息,能反映出人们真实的情感体验。近年来,深度学习理论逐渐成熟,在传统问题解决上也取得了巨大成功,因此,基于深度学习的EEG情感分类任务受到了越来越多研究者的关注。目前研究者已经提出了许多基于深度学习的EEG情感分类方法,但仍存在一些问题。首先,主流的堆叠式自编码器（Stacked Autoencoders,SAE）模型由于网络结构较深,难以较快的训练速度获得良好的泛化性能,且易陷入局部最优。其次,现有情感分类模型难以同时利用EEG信号不同脑电通道的空间信息和EEG序列中的时间上下文情感依赖信息。针对以上两个问题本文展开研究,研究内容如下:（1）提出一种基于改进的堆叠式降噪自编码器（Stacked Denoising Autoencoder,SDAE）的情感识别方法。该方法首先分别提取EEG信号的时域、频域和时频域特征并将其组成高维特征向量,然后采用SDAE对EEG信号的高维特征向量完成降维除噪操作,以去除生理信号中的无关数据。最后在网络的回归层,使用正则化极限学习机（Regularized Extreme Learning Machine,RELM）代替传统的softmax完成快速的情感分类任务。结果表明,使用该方法可获取高维特征中的有效值,继承极限学习机（Extreme Learning Machine,ELM）训练速度快,能有效处理过拟合,泛化能力强的优点。同时达到了良好的识别效果,有效弥补SDAE的缺陷。（2）提出一种基于三维（Three-Dimensional,3D）时频域特征矩阵表示的时空情感识别方法。该方法首先分别提取每一通道的时频域情感特征并按照电极通道排布位置将其表示成3D矩阵格式,并将矩阵按照时间顺序依次组合,然后先通过多元卷积神经网络（Multivariate Convolutional Neural Network,MVCNN）学习EEG通道的空间信息,后通过长短期记忆网络（Long Short-Term Memory,LSTM）学习EEG时序信号的情感依赖信息从而完成情感识别。实验表明,3D特征矩阵相比二维（Two-Dimensional,2D）更能有效表示情感特征,MVCNN和LSTM能分别利用到脑电通道的空间信息和EEG序列的时间上下文情感依赖信息,提升情感识别效果。图23幅,表9个,参考文献84篇。