随着计算机技术尤其是人工智能的快速发展,拥有情感、具备表达情感和理解情感的能力已经成为人类与机器之间的重要区别。为了加强人机之间的交流和互动,尤其是发展人机之间带有情感交流的感性沟通,情感计算变得越来越重要,而作为其研究过程中不可或缺的重要环节,情绪识别也逐渐发展成为一大热门的研究领域。情绪识别主要是通过人类用户脸上的表情、说话的语气和语调、身体的姿势和行为以及生理信号等特征,来识别和判断人类用户的情绪状态,而基于生理信号的识别由于难以伪装和隐藏显得更加可靠和真实。本文以人类脑电图(Electroencephalogram,EEG)信号为研究对象,在阅读、分析大量学术文献的基础上,主要完成了以下研究工作:(1)概括总结了基于EEG信号进行情绪识别的研究背景及其重要意义、研究现状以及EEG信号和情绪等相关基础理论。(2)提取EEG信号的时频域特征和混沌特征,并将两者融合。为了提取EEG信号的时频域特征,本文首先利用小波包变换以EEG信号在神经生理学理论指导下的分类为依据提取出其中主要的5个频带,然后分别计算各频带的功率谱密度特征和能量特征。接着,引入混沌理论并计算EEG信号的关联维数和最大Lyapunov指数作为混沌特征,并将两种不同类型的特征进行选择和融合最终形成混合特征矩阵。(3)使用基于高斯核函数的LS-SVM作为分类器,利用一对一的方式解决SVM的多分类问题,针对该决策模型可能存在的不可分类区域,提出综合考虑样本分布情况和与分离超平面距离两种因素的判别函数解决模糊分类问题。(4)分别针对特征选择和降维、决策模型的优化和不同类型特征融合进行了3组对照实验,并分析实验结果。实验结果表明,本文提取的EEG信号的混合特征在进行情绪识别时具有较高的识别度,而本文针对SVM分类模型的决策模型完成的优化工作也在一定程度上提高了情绪识别研究的准确率。