大脑是人体中最高级且最神奇的器官,但是对其机理的探究只是冰山一角。脑电信号记录了脑部神经元电生理活动在头皮处的总体反映,体现了被试者生理、病理甚至特定意图信息,是一种人类探索大脑的有效手段。目前已有大批的基于脑电信号的研究与应用,例如癫痫检测、情绪识别、睡眠阶段划分和疲劳检测,其中面向神经系统疾病的癫痫检测和面向智能人机交互的情绪识别是热点研究问题,从技术的角度出发,这两个研究点都涉及对脑电信号进行快速准确特征提取和分类。本文以提高癫痫检测和情绪识别的准确率为目标,开展了如下研究:（1）针对“通道串扰”现象导致的多通道癫痫脑电特征维度高、特征中包含冗余信息的问题,本文提出了一种基于局部保持投影的癫痫检测算法。首先,通过高阶谱图分析了脑电信号中的非线性成分,说明随着大脑中电生理活动的加剧,脑电信号呈现出更强烈的非线性;其次,受到用于人脸识别中流形学习方法的启示,研究了基于局部保持投影的脑电特征映射方法,通过非线性降维手段实现了脑电特征从高维向低维的映射。本算法分别在波士顿儿童癫痫数据集和德国波恩癫痫数据集上进行验证,实验结果表明,在典型的脑电信号处理流程中插入提出方法,能够有效地提高分类性能并降低特征冗余。（2）针对现有方法由于忽略多域信息导致准确率难以提升的问题,借助深度学习强大的非线性拟合能力,本文提出一种结合空频信息与特征融合网络的情绪识别算法。首先,构造脑电序列信号三维张量表示,通过采集设备说明获取电极空间电极坐标,在每个坐标位置处插入不同脑电节律对应特征,形成一个融合频域、空域信息的三维张量;其次,设计了一种用于融合空频信息的神经网络结构,该网络包含频带权重模块和空间特征学习模块,分别对应突出重要频率功能和学习任务相关脑区激活程度功能。本算法在上海交通大学情绪数据集上进行验证,实验结果表明,所提出方法在同被试情绪识别任务上取得了90.4%的准确率,相较于先进的方法取得了性能上的提升。（3）针对“跨被试”情绪识别模型迁移准确率低的问题,本文研究了一种基于协作与对抗策略的“跨被试”情绪识别算法。首先,可视化分析了不同被试脑电特征分布,根据所得结果提出假设:不同被试脑电特征边缘分布不同,但条件分布一致。然后引入协作与对抗策略,对抗策略由设置在特征提取输出部分的鉴别器和梯度反转层实现,用于对齐不同被试脑电特征的分布;协作策略由设置在卷积块间的鉴别器实现,能够指导网络提取更多目标域的类别信息,该策略可以嵌入任意脑电特征提取网络。本算法采用被试留一法进行验证,实验结果表明,所提出方法在跨被试情绪识别任务上取得了84.4%的准确率。本文结合了信号处理与机器学习有关理论对脑电信号进行分析,提出的癫痫检测和情绪识别算法取得了较高的准确率,开发准确的癫痫检测和情绪识别模型,对于应对神经系统疾病和建立人性化的人机交互方式具有重要意义。