情感识别技术在智能化人机交互中起着至关重要的作用,让机器具有类似人一样的情感感知能力,能够更好的服务于人们的日常生活。在众多可用于研究情感识别的信号中,脑电信号是通过神经元的放电现象产生的一种生理电信号,具有测量简单、可移动、不易伪装等优点,能够客观真实的反映人们的情感状态,因此被广泛应用于情感识别的研究中。然而,脑电信号的采集使用的是多通道的电极采集帽,造成脑电信号的高维特性,在进行情感识别时,会出现一定的通道冗余和维数灾难。因此,本文利用压缩感知（Compressive Sensing,CS）技术在低于奈奎斯特采样率的条件下,通过随机采样获取脑电信号的离散样本,从而去除脑电信号中的冗余信息。同时,基于信号在稀疏表示中存在的判别性具有分类功能的特性,提出了基于CS的情感识别模型。另外,针对CS情感识别模型中观测矩阵无法适应信号的特性,以及重构算法对稀疏字典依赖的问题,提出使用深度学习来改进CS情感识别模型。论文的主要研究工作如下:（1）选择DEAP情感脑电数据库作为本文情感识别的材料,同时对数据库中的受试者进行筛选。从而获得符合实验平衡数据集要求的受试者脑电信号,其次对选出的脑电信号进行加窗处理获取脑电情感样本。然后对处理后的脑电情感样本进行频段划分,来进一步提取情感特征,本文将脑电情感样本划分为θ、α、β和γ四个频段,在每个频段上提取了脑电信号的功率谱密度（power spectral density,PSD）、微分熵（differential entropy,DE）、不对称差（differential asymmetry,DASM）、不对称熵（rational asymmetry,RASM）、不对称性（asymmetry,ASM）和差分因果关系（differential causality,DCAU）。最后,通过实验选取了β和γ两个最能体现情感的频段作为后续研究的特征频段。（2）由于脑电信号的高维特性,造成在提取的特征中存在一定程度的信道冗余和维数灾难等问题。针对此问题本文通过压缩感知技术对脑电情感特征进行观测采样,去除特征中的冗余信息,提高脑电情感识别的效率与准确度。并基于信号在稀疏表示中存在的判别性,提出了基于CS的情感识别模型。在该识别模型中使用高斯随机矩阵、伯努利矩阵、傅里叶矩阵、稀疏随机矩阵、托普利兹矩阵和循环矩阵作为其观测矩阵,使用正交匹配追踪算法（Orthogonal Matching Pursuit,OMP）、稀疏度自适应匹配追踪算法（Sparsity Adaptive Matching Pursuit,SAMP）和变步长稀疏度自适应匹配追踪算法（Variable step size Sparsity Adaptive Matching Pursuit,VssAMP）作为其重构算法。最后,通过与SVM识别模型进行比较来验证该模型的识别性能。（3）针对CS情感识别模型中存在的问题:观测矩阵无法适应信号特性以及重构算法依赖于稀疏字典的问题,提出了结合深度学习的CS情感识别模型（CS-DBN-SAE）。该模型利用深度信念网络（Deep Belief Network,DBN）的学习能力,将传统的随机观测矩阵转变为能够适应信号特性的观测网络,通过训练栈式自编码器（Stacked Auto Encoder,SAE）来摆脱OMP、SAMP和VssAMP重构算法对稀疏字典的依赖,从而提高脑电情感的识别率。最后通过实验验证了CS-DBN-SAE识别模型相比于CS情感识别模型能够有效的提高情感识别的准确率。