情感本质上是人类思想和心理活动过程中的产物,能够影响人类的行为活动。当前社会中存在着不少无法正常控制情感的患者,一旦他们产生不健康的情感,会给社会和生活带来消极的影响,因此,关于如何有效地识别情感方面的课题研究是有意义的。随着脑电科学研究和AI技术的不断发展,在情感计算中结合机器学习和深度学习算法对生理信号数据进行建模分析,可以比传统的信号分析方法更有效地识别情感。但是,由于生理信号数据在采集时容易混入噪声,不利于重要特征信息的获取,使得当前基于生理信号的情感识别研究中仍存在着如分类准确度不高等问题。基于上述的背景,本文开展的工作内容如下:1)提出一种深度网络融合模型——MMDBMs-SVM模型,用于提取脑电信号（EEG）中的主要情感特征并进行分类。其中MMDBMs模型由多个深度玻尔兹曼机（DBM）组成,每个通道的DBM均包含两层受限玻尔兹曼机（RBM）。与传统的情感脑电特征提取的方法相比,MMDBMs更适用于实验中的多通道数据,它不仅能提取原始情感脑电的内部特征,还能不丢失原数据的主特征,有助于提高分类的准确率。所提取的重要的特征将会输入到支持向量机（SVM）中进行分类。2)以视频诱发情感所产生的生理信号DEAP数据集作为实验数据,首先通过设计隐藏层节点与准确率实验确定最佳的隐藏层节点数,并用作后续实验的最优参数输入;其次,设计对照实验,对比分析本文提出的MMDBMs-SVM模型与传统脑电情感分类模型的实验效果,实验结论可总结为:MMDBMs-SVM深度融合模型的效价平均准确率和唤醒平均准确率分别可达83.9%和84.7%,相对于传统脑电情感识别模型的准确率有所提升,可证明MMDBMs-SVM模型实验效果较好。3)为了探究不同频段以及多模态等因素下MMDBMs-SVM模型的分类效果,本文还进行了相关实验:首先,对不同频段（θ、α、低β、高β）下的信号进行识别,结果表明:高频段的脑电信号较低频段的脑电信号具有更多的情感信息;其次,结合脑电信号和外周生理信号（眼电信号、肌电信号）进行情感识别的研究,结果表明:结合外周生理信号进行辅助分类将有助于提升实验的准确度,约提高了1%至2%。