情绪识别是人工智能、人机交互等领域的关键技术。信息时代的来临,要求机器能够更友好的理解和表达人类的情绪。在现实生活中,情绪识别已经应用到医疗、教育、商业等领域.但是由于情绪是一个非常复杂的认知过程,情绪识别若想取得较好效果,有赖于不断深入的研究。脑电信号是一种电生理信号,具有客观性和精确性,能直接反映大脑的活动,因而被广泛应用到情绪识别中。本文基于脑电信号,进行情绪识别研究,重点在于情绪相关的脑电特征提取、特征表示问题研究。在本文中,主要开展了三个方面的工作,分别是：1)情绪诱发：情绪诱发是情绪识别研究的关键前提,影响着脑电数据的准确性和可用性。本文采用界内普遍认可的CAPS (Chinese Affective Picture System,中国情绪图片库)和IAPS (International Affective Picture System,国际情绪图片库)作为刺激材料,设计情绪诱导文件；以同类图片连续刺激的方式诱发被试者的三种情绪,分别是积极、中性和消极情绪。连续刺激的方式使被试者的情绪体验更加强烈,因而能获取更好的情绪识别结果。2)脑电时频特征提取：本文利用小波变换,在时频域提取了三类脑电特征、分别是子频带能量、能量比以及小波系数的根均方,他们很好的反应了情绪相关的脑电活动。SVM平均分类正确率能够达到82.87%,表明这三种特征在情绪识别中是非常有效的；与IAPS相比,CAPS刺激采集的EEG数据具有更高的情绪识别率,表明情绪存在着文化背景的差异。另外,考虑到脑电信号非线性时变特性以及情绪的过程性,我们利用了有重叠的方式截取脑电信号样本。SVM识别的结果表明了这种截取方式的优势。3)情绪脑区划分：越来越多的研究关注特定脑区的情绪特征在识别中的重要性。但对脑区的划分多是简单的基于距离和对称性原则来完成的,忽略了电极间的情绪相关性和差异性。本文提出了一种基于电极相似度聚类的情绪脑区划分方法,以脑区中心表示区域内所有电极的特征。该方法以电极时频特征计算互相关度,以相关度最大且大于阈值的方式判断电极是否连通,进而将连通电极聚为一类,即划分为一个脑区。用聚类中心表示类中所有电极的特征,消除了数据冗余,也达到了降维的效果。与一般的基于距离进行脑区划分的方法相比,该方法获得了更高的情绪识别率。