随着人工智能领域的蓬勃发展与广泛应用,人机交互作为一种新兴的关联技术,得到了越来越多研究者的关注。情感识别作为人机交互任务中重点的研究领域,在用户与设备的交互体验中起着决定性作用。在现有的研究中,已有多种模态信号被应用于情感识别任务,诸如表情、语音、姿态等。但这些非生理模态信号存在一定程度的主观性,可以通过主体刻意的掩饰与伪装影响情感类型的判断。相较之下,诸如脑电、心电和皮电等生理模态信号在客观性与真实性上有更大的优势。本文针对脑电信号的情感识别任务进行探索和研究,主要工作概括如下:（1）大脑数据在空间上呈现拓扑状结构,常用的建模方法无法捕捉到大脑数据的空间特性。针对这一问题,本文提出了一种基于时空图模型网络的脑电信号情感识别方法。该方法分别从空间域和时间域两个层面对脑电信号进行特征学习。在空间域上,首先构造邻接矩阵对脑电信号进行图建模,其次使用图Bert网络,经过子图划分、节点嵌入、基于注意力机制更新节点特征以及节点聚类等步骤,提取到脑电信号的空间域特征;在时间域上,将各时段脑电信号得到的空间域特征,采用长短时记忆网络（Long Short-Term Memory,LSTM）进行连接,学习脑电信号的时间相关性,从而完成情感识别任务。在SEED数据集与DEAP数据集上的实验证明,该方法可以更全面准确地完成脑电特征的学习,取得了更高的情感识别率,并验证了该方法通过结合空间域与时间域对脑电信号进行情感识别的可行性与有效性。（2）针对情感触发的多元化机制,本文提出一种基于模态融合的脑电情感识别方法。该方法使用多阶段特征融合模块和双模注意力机制,充分融合脑电模态和外围生理模态的特征信息,达到特征互补的效果,辅助提升基于脑电信号完成情感识别的最终准确率。具体地:首先,使用多阶段特征融合模块对各单模态提取到的特征进行融合、拆分以及权重值分配,从而对各模态特征进行更新操作,在整个网络架构中多次嵌入该模块,充分地融合两个模态特征中包含的信息;其次,使用双模注意力机制,对两个模态的深层特征加权计算得到模态之间的注意力向量;最后,将注意力向量、脑电特征向量和外围生理特征向量联结并进行判断,完成情感识别任务。在多模态DEAP数据集和MAHNOB-HCI数据集上的实验表明,该方法在最终识别率上优于基于单模态信号的情感识别方法,同时对比现有的基于双模态信号融合的情感识别方法也有较明显的优势。