情感是人脑重要的高级认知功能之一。情感认知机制及相关研究作为复杂、神秘、交叉的研究领域,引起各学科研究人员的广泛关注。情感认知活动时,人脑脑区间彼此关联、协调合作、形成复杂的大脑功能连接网络,近年来采用复杂网络、图论等方法分析脑网络得到了许多新的发现与有意义的结果。最小生成树代表了网络中关键的信息流,避免了传统网络阈值选择等诸多争议问题,在脑网络研究领域展现出了潜在的优越性。脑电信号能准确刻画大脑的活跃状态,并且具有高时间分辨率、低成本、非侵入性、操作便捷等优势,是情感分类研究的主要技术手段。深度学习在计算机视觉、模式识别领域取得了显著进展,在情感分类研究也有了较好的表现。但是目前大多数研究将原始脑电信号直接输入深度学习模型,忽略了原始脑电信号中包含的大量噪声以及冗余信息。从脑电信号中提取适合的特征信息后,再送入深度学习模型或许有益于情感分类准确率的进一步提升。本文提出了一种基于最小生成树的脑电情感分类新方法。首先,构造情感认知活动时大脑功能连接的最小生成树并计算其属性。其次,将脑电频域特征与最小生成树属性特征融合以表征不同情感。最后,基于卷积神经网络实现脑电情感分类。相比传统特征分类结果,经过最小生成树属性融合后分类准确率明显提升。主要工作如下:（1）引入相位滞后指数构建最小生成树的方法并计算属性值将脑电电极作为节点,通过相位滞后指数衡量节点间的关联强度后生成关联矩阵,并采用Kruskal算法构造最小生成树。然后,计算最小生成树属性值并对其进行重复测量方差分析和配对t检验,发现不同情感间的属性差异集中在γ频段,平均相位滞后指数、最大节点度、叶子分数、直径以及离心率均存在显著性差异。结果表明,在相同高、低愉悦度时,高唤醒最小生成树的拓扑结构相较低唤醒都趋向于星型结构。而相同高唤醒度时,低愉悦最小生成树的拓扑结构相较高愉悦更趋向于星型结构。该结果为理解情感状态下大脑认知机制提供新的视角。（2）提出通过Fisher评分将最小生成树属性与频域特征融合方法采用Welch算法计算功率谱密度作为脑电信号频域特征。通过Fisher评分计算最小生成树属性的F-score来表示最小生成树不同属性的辨别能力,并根据F-score将属性降序排列后与功率谱密度特征融合。同时,从最小生成树属性对应的电极位置发现,F-score较高的电极位置主要位于额区、顶区和中央区。对比同类研究,通过Fisher评分能发现更多情感活跃的脑区,较好地揭示了情感认知活动中脑区的激活状态。（3）基于卷积神经网络的情感分类研究将频域特征与最小生成树属性融合后,结合卷积神经网络提出了新的脑电情感分类方法。将功率谱密度特征矩阵作为卷积神经网络的输入,唤醒度分类准确率为82.33%,愉悦度分类准确率为75.46%。而与最小生成树属性特征融合后唤醒度分类准确率最多可提高3.37%,愉悦度分类准确率最多可提高4.46%。结果表明,本文提出的最小生成树属性与传统频域特征融合方法优于目前同类研究,该方法可以更好地识别情感。