人类情感的识别在日常的应用方面起到的作用变得越来越重要,由此产生了许多针对人类情感进行研究的方法,其中脑电信号特征提取是研究人类情感的主要手段之一。复杂度是脑电特征提取的重要研究手段,但是传统的复杂度的二值化过程中存在信号分段区域相对固定,无法刻画相邻点之间的相互关系和细节信息等问题,为了克服这些局限性,本文提出了自适应Lempel-Ziv复杂度算法,探究了不同情感状态下、不同电极复杂度的变化规律,采用SVM进行特征分类,验证了所提取特征的质量和有效性。具体工作如下：(1)根据所要研究的脑电情感的特征,选择非线性动力学的特征提取方式,并探讨复杂度算法进行脑电特征提取的可行性。分别采用传统复杂度算法和多尺度复杂度算法对运动想象数据进行特征提取,并通过支持向量机(SVM)对特征提取的结果进行评估。结果表明基于非线性动力学的复杂度算法可以有效的对运动想象脑电信号进行特征提取,Lempel-Ziv复杂度可以作为脑电数据分析中一种有效的特征提取方法。(2)结合脑电情感数据自身的特点,对传统复杂度算法和多尺度复杂度算法进行分析,在它们的基础之上提出改进后的自适应Lempel-Ziv复杂度算法,采用自适应Lempel-Ziv复杂度算法对运动想象脑电信号进行特征提取,通过SVM对提取出来的特征进行验证,并同传统Lempel-Ziv复杂度算法和多尺度Lempel-Ziv复杂度算法下的运动想象特征提取分类正确率进行比较。(3)采用自适应Lempel-Ziv复杂度算法对脑电情感数据进行特征提取,我们还分别根据被试和音乐视频,对脑电数据结果进行统计分析,并将自适应Lempel-Ziv复杂度算法的脑电情感特征提取效果同传统Lempel-Ziv复杂度算法和多尺度Lempel-Ziv复杂度的特征提取效果进行了对比,验证了自适应Lempel-Ziv复杂度算法的可行性,并得到不同情感状态下不同电极的复杂变化情况,进而得出不同情感下不同脑区的激活状况。