情感在人与人之间的互动中起着重要作用,在人机交互中也是如此。当机器能够感知到人类的情绪时,可以进行更具有个性化且具有针对性的交互,而情感识别是其中的一个关键技术。目前,脑电信号由于其高时间分辨率,已经被广泛应用于情感识别任务中。但现有大部分方法都是被试特定的,当已有模型应用在新的被试上时,其泛化效果差,极大阻碍了情感识别任务在实际场景中的应用。这是由于不同被试间的脑电信号差异巨大,已有模型很难适用于新被试。为解决该问题,本文提出了基于多分支网络和迁移学习的深度学习模型架构,并在SJTU Emotion EEG Dataset（SEED）上验证方法的有效性。本文主要包括以下工作:（1）基于脑电信号的频段与脑区差异探究多种数据组织形态对于深度学习模型性能的影响。在情感脑电信号分析中,不同的脑区以及不同的信号频段都包含着不同的信息,本文结合这两个因素以确定最优的数据形态进行后续实验。在单被试情感脑电信号识别任务中,最优形态相较于数据结构化之前的原始形态,其训练得到的模型平均识别准确率提升了13.80%。（2）针对任务态脑电信号的特性,重点考虑如何有效提取跨被试脑电信号的固有背景特征和任务意识特征。在已有的工作中,研究人员往往忽略了背景信息而一味地提取任务信息,导致了模型在跨被试情感脑电信号识别任务中的过拟合。本文提出了一种多分支网络模型并设计了标签正交化的训练策略以提取上述两种特征,从而提升了模型对于跨被试脑电信号的表征能力。在不使用新被试数据的前提下,多分支网络模型在跨被试情感脑电信号识别任务中达到了79.57%的平均识别准确率,高于目前已有文献中的最优模型性能。（3）针对跨被试脑电信号特征迁移中出现的子域分布偏移问题,提出了一种基于迁移学习算法的多子域对抗网络模型。该模型通过对抗训练对不同标签的子域特征分布差异进行建模,通过缩小类内距离和放大类间距离,从而进一步提高模型的跨被试情感脑电信号识别性能。此外,通过将多分支网络和多子域对抗网络进行有机融合,使得融合后的模型达到了87.94%的最优平均识别准确率。与目前已有的迁移学习算法相比,所提出的模型达到高识别性能的同时,在不同被试上表现得更加稳定。