情绪与人们的工作、生活息息相关，情绪的分析和识别不仅是解决某些心理疾病的迫切需要，同时在人机交互、文娱医疗等领域具有广阔的应用前景。在可用于情绪识别的各类信息源中，脑电信号由于具备反应灵敏、不易伪装、识别结果客观真实、实时性强等优点，备受重视并成为研究热点。传统研究普遍针对单一、特定的情绪诱发脑电响应，目前在识别范围和分类正确率上有待进一步提高，此外这些模型都无法保证推广应用于其他诱发模式下的同类情绪识别，距离实际应用中要求的高可靠性、识别不同诱发模式下情绪的强泛化能力尚有很大差距。故如何提高单模式识别的正确率和探索跨模式识别已成为当下亟待克服的技术瓶颈。为此，本文首先在建立涵盖6类情绪主题的TUNERL情绪诱发素材库（40个视频，100张图片）的基础上，设计了情绪视频和图片两类典型诱发模式，诱发5类情绪，扩大情绪诱发范围及模式。然后对12名被试两种诱发模式下的脑电进行频域能量和不对称性分析，并对特征进行Fisher可分性和单因素方差分析，发现可分性较强的特征集中在β和γ频段，较多分布在额区、颞区和枕区。与其他情绪相比，高兴情绪脑电在额颞区左侧的能量相对较低。通过非线性特征样本熵分析，发现积极、消极情绪下的样本熵值均高于平静状态，表明脑电复杂度随情绪活动而增高。接下来从不同情绪分类模型出发，利用基于递归特征筛选的支持向量机进行单人情绪识别。对视频诱发脑电，本文通过训练策略的调整，对比分析了素材源对识别结果的影响。单模式情绪识别结果表明：按愉悦度进行的3分类识别率高于基本情绪模型的5分类，频域能量特征识别结果优于不对称特征，视频和图片诱发脑电的平均识别率分别达到80.42%和85.55%，说明本文的特征提取和建模方法有效。最后开展了视频和图片诱发脑电间的跨诱发模式情绪识别，按愉悦度进行3分类的平均识别率达到68.2%，消极情绪的正确识别率高达91.4%，证明跨模式识别具备一定的可行性。本文研究成果可为建立独立于诱发模式，更贴近实际应用、高鲁棒性、可靠性的情绪识别模型提供一定的理论指导和技术基础，有望在情绪识别领域展开进一步的推广应用。