近几年,随着脑电采集设备的迅速发展,出现了无需涂抹导电胶的无线头戴式单电极脑电采集设备。相比于多电极设备采集方式的繁琐与复杂,该类设备以其易用性和灵活性,渐渐成为了研究脑电情感识别的新选择。然而针对单电极脑电设备的相关研究仍然较少,且得到的分类准确率、情感识别模型的鲁棒性和脑电信号表征能力仍有待提升。因此论文提出了一种基于多尺度时间窗口组合特征的脑电情感识别方法,为单电极脑电信号情感识别研究提供一种新的可行方案。论文研究的主要工作和内容如下:（1）脑电数据处理。针对原始脑电信号中含有较多噪声和有效特征不足,导致的识别准确率不高的问题。论文首先采用离散小波去噪预处理,然后采用小波变换对预处理后的数据分解并提取出四个频带:Alpha,High Beta,Low Beta和Gamma。最后通过时间窗口分别计算和统计各个窗口的均值、标准差、最大值、最小值、能量的组合特征,作为脑电情感识别任务的数据资料。（2）情感特征提取与选择。针对目前情感识别研究中大多采用单一固定大小的时间窗口对脑电信号进行分割,提取到的情感特征信息类型单一和数量较少的问题。论文提出一种多尺度时间窗口组合特征提取方法,该方法使用1秒的时间窗口,将三组情感（中性,积极和消极）标签的脑电信号分割成多组重叠50%信号段。为了使提取到的情感特征数量和特征信息尽可能多,又将1秒的时间窗口细分为1/2k秒宽的时间窗口,分别提取每个窗口内的组合特征。最后采用线性判别分析、支持向量机、K近邻和随机森林四种情感识别分类方法进行三分类情感识别。（3）情感识别与分类。针对情感分类方法难以有效利用脑电信号深层特征中的时间序列信息导致识别准确率不高,表征能力较弱的问题。提出了基于长短时记忆网络（LSTM）的情感识别模型进行情感识别与分类。该模型主要利用LSTM网络在解决长期依赖关系的时间序列问题上具有良好表现的优势,进一步提取脑电信号的时间序列信息。实验结果表明,识别准确率和分类性能均有较大提升,模型具有更好的鲁棒性和泛化能力。