人的情绪状态可以通过面部表情、手势、语调等反映出来,但通常由于人为控制而不易被观察到或者被误导,从而难以判别真实状态,而EEG信号直接反应大脑活动的变化,与情绪状态的变化有着密切联系。本文以情绪脑电数据集DEAP以及Russell情绪维度模型为实验基础,通过对情绪脑电特征进行信号预处理,特征筛选以及特征降维,再基于不同情绪维度进行特征分类研究,通过这一系列完善的工作对脑电情绪状态进行分类识别,本文主要研究工作如下:(1)提出了一种基于Higuchi算法的分形维数(FD)法与共空间模式法(CSP)相融合的算法来进行特征筛选。经过预处理的情绪脑电特征使用Higuchi分形维数法进行信号复杂度分析,即分形维数的计算,并提取出分形特征,再利用CSP算法进一步对分形特征进行处理,提取出不同类别的具有最大差异性的特征。(2)提出了一种基于高斯核函数的核主成分分析(KPCA)降维方法。在线性降维方法线性判别分析(LDA)与主成分分析(PCA)的研究基础上,针对脑电信号的非线性特性,本文提出的基于高斯核函数的KPCA降维方法具有更好的降维效果,通过对比不同特征维数下被试情绪状态的分类准确率,证明了该方法在处理非线性且内部信息互联的特征时更高效。(3)利用卷积神经网络(CNN)对样本进行训练测试。在基于Russell情绪维度模型的愉悦度(Valence)与唤醒度(Arousal)尺度下,得到高低愉悦度、高低唤醒度情绪下的二分类准确率,与传统的机器学习分类器相比,CNN分类准确率有明显的提升;并引入第三种评价维度熟悉度(Dominance),实验证明了同等条件下,基于熟悉度下的分类效果优于唤醒度与愉悦度,并在额区与顶枕区对应更高的脑电信号幅值,因而可以作为新的判别维度用于情绪脑电分析。