近年来,很多研究人员一直致力于研究如何让计算机和人一样具有观察并理解各种情绪甚至是能够生成并表达各种情绪的能力,而想要完成这个目标需要解决的一个基本问题就是:如何利用人类的生理信号或非生理信号进行有效的情绪识别。脑电(Electroencephalogram,EEG)信号作为一种生理信号,由人体的中枢神经直接产生,难以人为操纵或改变,且可以实时客观地反映出人类情绪状态,这些特点使得很多研究人员选择使用脑电信号进行情绪识别。目前利用可靠的脑电信号去鲁棒识别情绪还是存在很多难点。脑电信号的非线性非平稳性为利用脑电信号进行情绪识别带来了很多困难和阻碍。其次,虽然脑电信号的特征提取算法众多,但不同的脑电特征提取方法会从不同的角度来量化脑电信号,所以使用单一的特征提取算法无法充分发挥脑电信号的优势。针对这两个问题,本文主要进行了以下工作:1、研究了基于多元经验模态分解的脑电信号处理方法。为了降低脑电信号的非平稳性,在脑电信号的特征提取阶段之前引入了多元经验模态分解(Multivariate Empirical Mode Decomposition,MEMD)算法,将多个通道的脑电信号同步分解为一系列个数相同且频率尺度也相同的固有模态函数(Intrinsic Mode Function,IMF)。并通过实验证实了MEMD算法能够有效降低脑电信号的非平稳性,提高后续基于脑电信号的情绪识别分类任务的准确率。2、研究了脑电信号的三类特征提取方法。探讨了脑电信号的三类特征提取方法在经过MEMD算法分解得到的IMF分量上的可行性,分别从时域角度、频域角度和非线性角度提取了多个脑电信号的情绪特征。分别针对单个特征和组合特征进行了情绪识别任务,实验结果证实所提取的八个脑电特征上携带的情绪信息能够满足基于脑电的情绪识别分类研究,而简单组合多个特征对最终的分类准确率提升不大,甚至在组合的特征数过多时还会产生负面影响,所以研究可行的基于多个脑电特征的情绪识别分类方法是极其有必要的。3、研究了基于多个脑电信号特征的情绪识别分类。从特征融合与决策融合这两个角度探讨了基于多个脑电特征的情绪识别分类方法。在特征层上,采用了基于主成分分析(principal components analysis,PCA)和随机森林(Random Forest,RF)两种特征融合方法实现了基于多个脑电特征的情绪识别,并针对基于随机森林特征选择算法的局限性提出了一种基于序列前向浮动搜索策略的改进特征选择算法,该方法能够有效降低完整特征集的特征维度、剔除冗余特征;在决策层上,采用基于D-S证据理论从决策融合的角度实现了基于多个脑电信号特征的情绪识别,并通过实验证明了所采用决策融合算法的合理性。