近年来,情绪识别已经成为了重要的研究领域。而脑电信号由于其客观性,成为了情绪识别和推理最鲁棒性的线索之一。当前流行的脑电情绪识别方法主要通过卷积神经网络（CNN）、长短期记忆循环神经网络（LSTM-RNN）等深度学习模型提取单个通道的空间和时序特征表示,并使用多通道数据融合方式进行情感建模。然而,CNN并不适合处理时序数据,而LSTM-RNN非常耗时,且在训练期间难以避免梯度爆炸/消失的问题。此外,脑电信号各个通道在情绪表达上具有复杂的时空内在联系,在进行脑电信号特征提取时,需考虑脑电通道的空间分布信息和它们之间的相互影响。因此,考虑多通道时空信息融合的脑电信号特征表示,对提高脑电信号情绪识别具有重要作用。基于此,本文利用多通道的脑电信号构建脑网络,并提出了采用自注意动态图神经网络的脑网络表示学习方法（BNRL-SDGNNs）,来获取脑电信号空间和时间维度的特征表示。首先,对每个通道的原始脑电信号生成谱图表示,以捕获其时间和频率信息。其次,利用自注意动态图神经网络,自动学习包含全局脑网络信息的鲁棒特征表示。最后,利用长短期记忆网络（LSTM）,自动获取情绪反应的长期动态时序特征。此外,本文还使用时序卷积神经网络（TCN）去替代LSTM-RNN,以增加训练速度,避免梯度爆炸/消失。实验结果表明,TCN的训练速度明显更快,且梯度较为稳定。而本文提出的BNRL-SDGNNs模型取得了较好的结果,该模型在各个情绪维度上都高于双向LSTM以及多通道融合的结果。这说明,脑电信号各个通道之间相互影响,在探究情绪的变化时,不能只考虑单个通道。而BNRL-SDGNNs在对脑电信号的特征提取上,充分的考虑了各种信息。