情感研究是当前的一个热点，对人的情感和认知的研究是人工智能的高级阶段，研究人脑如何处理各种情感状态，对于探究人脑的运作机理有着十分重要的作用。脑电信号具有非线性特性，运用非线性方法分析逐渐成为情感研究的重要方向。基于复杂度理论算法在非线性方法中拥有独特的优势，本文针对两种复杂度方法进行了改进，并将其应用在情感研究中。　　(1)Lempel-Ziv(LZ)复杂度算法能体现信号新模式序列增长的速率，针对传统LZ复杂度以信号整体均值为阈值从而导致过分粗粒化的缺点，对其进行改进并提出了基于多尺度窗口LZ复杂度算法，不同窗口尺度能表征出信号的不同特性。通过仿真实验验证这种算法描述信号复杂度的有效性，并对其抗干扰能力等方面进行研究。将该算法用于情感脑电复杂度分析，结果表明此算法能识别出更多能区分不同情感的脑区，可以作为提取情感识别的有效特征。　　(2)样本熵算法和排列熵算法分别具有计算准确度高和计算效率高的特点，本文将两种算法的优点进行了结合，提出了等分符号化熵算法，并验证该算法的有效性。相空间重构前对信号进行等概率符号化处理，用符号矢量的相等计算重构分量比例。通过Logistic映射验证了该算法在计算效率与计算准确度均有良好的表现。将该算法用于情感脑电信号的研究，结果显示该算法结合了排列熵与样本熵算法的优点，可以有效的区分正负性情感。　　(3)以往研究主要通过短暂播放图片、音乐、视频刺激被试并记录相应诱发的情感脑电进行分析，而长周期跟踪个人情绪状态变化进行研究则很少。本文通过运用心理状态剖面图(profile of moods states，POMS)量表在长时间周期（每个被试测试7天）跟踪记录被试者情绪状态和同时期的脑电信号来进行研究，将上述改进提出的两种复杂度算法运用在提取脑电特征当中，然后将得到的特征值与心境状态量表各分量进行相关性分析。结果显示，其中等分符号化熵提取特征与量表中“自我”分量具有显著性相关的人数最多;而基于多尺度窗口LZ算法提取特征与量表中“精神”分量具有显著性相关的人数最多。