随着人机交互技术的跳跃式发展,近年来关于情绪识别技术相关的研究,越来越受到学者的关注。在情绪识别中,脑电图（Electroencephalogram,EEG）信号相对于非生理信号,作为生理信号而言更容易被记录,而大脑作为神经中枢使得获取的脑电图信号含有大量的情绪信息且不易被伪装。对脑电信号情绪识别的研究,对交通领域、人机交互、康复治疗等领域具有很好的理论指导意义。本文基于脑电情绪识别技术在准确性、实时性等方面的要求,提出一种多特征深度森林（Multi-Feature Input Deep Forest,MFDF）模型识别人类情感,该研究对现实中自闭症儿童以及中风患者的康复治疗有重大的指导意义。主要的研究内容和创新如下:（1）建立了基于效价（Valence）和唤醒（Arousal）评分的五分类情绪模型。情感模型的构建主要有离散模型和维度模型,而维度模型可以表现更多的情感,更能够提现出人类对情感的感知。大多数研究者对效价和唤醒进行研究,很少有人根据效价和唤醒标记情感。本文则结合效价和唤醒的维度来对脑电数据进行情感标记,旨在做一个标准的情感标记模型来对脑电数据进行标记,利于脑电情绪识别的研究。（2）建立了多特征深度森林模型。深度森林算法是基于随机森林采用层与层递进的方式,对数据进行有监督的识别分类。脑电数据具有较强的时空特征,而深度森林在处理具有较多的时间特征情感数据时,有一定的劣势。本文基于深度森林构建了多特征深度森林,来进行情绪识别。实验使用生理信号进行情绪分析的数据库（Database for Emotion Analysis using Physiological Signals,DEAP）中进行,实验结果表明,改进的MFDF在脑电情绪识别任务中取得了优于深度森林和传统分类器的性能,更加适用于脑电信号情绪分类识别任务。（3）建立了基于丢弃（Dropout）算法的级联森林。Dropout算法主要被用来避免过拟合的现象的产生,而本文通过利用算法丢弃的原理,构建了Dropout级联森林。一方面是避免模型过拟合现象,另一方面通过对数据的Dropout,也会对高维数据产生降维的效果,使得深度森林在对处理高维度脑电数据时具有较好处理性能。实验结果表明,基于Dropout级联森林在脑电情绪识别中在几乎不损失精度的同时,提升了识别速度,结果证明该模型的有效性。