随着脑机接口技术的快速发展,情绪识别已经成为了该领域研究的一个热点。通过可穿戴设备获取的脑电图可以实现对人体情绪的有效监测。近年来,传统机器学习方法和深度学习方法在基于脑电信号的情绪分类任务中都获得了良好的分类效果,然而在实践过程中却面临通道数较多在可穿戴设备上难以应用的问题。一些基于通道选择的研究中通过算法对通道的选择,往往能够在少量通道下获得不错的分类效果。然而这些研究却存在着使用的数据集不统一,使得结果缺乏广泛的对比;而且选择出的通道在不同被试、不同时间段和不同刺激材料的情况下,最优通道的数量和位置不确定,阻碍了将算法应用于可穿戴设备中。本文提出了在固定4通道情况下,通过将原始通道信号转换为基础信号的方法来尽可能保留脑区的空间域信息。同时,本文提出了一种基于离散小波变换、固有时间尺度分解、变分模态分解和相空间重构等方法的并行处理方法,以获得信号的更多模态。进而在此基础上,提取信号的微分熵作为特征并利用线性动态系统在时序上对提取的特征进行平滑。基于平滑后的人工特征,本文在SEED数据集和本文采集的数据集上采用支持向量机和本文设计的卷积神经网络模型进行了情绪三分类实验。实验结果表明,该方法在固定4通道下的平均准确率可以达到更多通道（SEED数据集62通道,本文数据集14通道）下的分类准确率。此外,基于9vs6协议本文在SEED数据集上的分类准确率与目前在多通道下的研究结果相比差距在5%左右,表现出了良好的分类表现和发展潜力。最后,基于本文提出的方法开发了基于脑电信号的情绪识别系统。由于该方法在固定4通道的情况下有着较好的分类准确率,有望在弱算力的可穿戴设备当中得到应用。同时,借助情绪识别系统,使得该方法可以得到更大范围的普及。