近年来脑机接口技术发展迅速,基于脑电信号的情感识别研究受到国内外学者的广泛关注。深入了解大脑功能为情感识别提供了理论基础,对探索大脑连接模式和情感产生机制至关重要。因此选取脑电信号中与情感产生密切相关的特征以及发现各个脑区在情感产生时模块结构的规律是情感识别研究的关键。然而现有研究中存在以下不足:研究者通常从时频域信息或空间信息的单一角度选择特征,既没有消除脑电信号固有的容积效应,又丢失了脑电信号的部分时频或空间信息;目前基于静态脑功能网络的分析无法有效的反应大脑网络结构随时间动态变化的情况,忽略了情感变化过程中大脑各个模块之间的关联关系以及单个模块内部连接的变化情况。本文针对以上两个问题展开研究,具体内容如下:（1）基于多通道加权多尺度排列熵的情感识别脑电信号是一种时变的非线性空间离散信号,如何消除容积效应对脑网络分析的影响,提取出既能反映时频信息又能反映空间信息的特征是目前需要解决的问题。本文提出了一种能较好的反映情感状态的特征融合方法,既考虑了脑电信号的时频和空间信息,又消除了脑电信号固有的容积效应。该方法采用多通道加权多尺度排列熵（Multichannel Weighted Multiscale Permutation Entropy,MC-WMPE）作为特征。首先计算各通道脑电信号的多尺度排列熵（Multiscale Permutation Entropy,MPE）,并计算各通道间的皮尔逊相关系数（Pearson Correlation Coefficient,PCC）构建脑功能网络。用PageRank算法对脑功能网络中节点的重要性进行排序,得到每个节点的权重,筛选出情感识别中的重要通道。然后进行加权处理,得到MC-WMPE作为特征。研究表明,时频信息和空间信息在脑电信号处理中都具有重要意义。此外,对额叶、顶叶和枕叶的分析对于研究情感刺激下大脑皮层的活动状态是必要的。最后,在DEAP数据集上进行了实验,使用该组合特征进行情感识别的准确率为85.28%。（2）基于动态脑网络集成与分离的情感识别人脑在情感处理过程中的功能连接模式是复杂多变的。用静态网络表示时变的功能连接,会丢失脑电信号重要的时间信息。因此,为了研究大脑功能连通性的动态变化以及变化过程中各个脑区之间的模块化结构,需要更全面的指标来描述时变的大脑拓扑特征。本文提出用动态图指标来描述时变的大脑拓扑特征。将时变的大脑功能连接建模为多层网络,其中每一层模型表示一个时间窗的大脑连接。将每个时间窗的大脑连接用皮尔逊相关系数构建成脑功能网络后,用Louvain算法得到脑网络的模块化结构。然后在模块化结构的基础上提取出单个模块的局部特征,和全局特征一起组成脑电信号的动态图指标。并通过动态图指标和模块变化情况来研究大脑网络随时间的变化规律。结果表明,在情感变化过程中,大脑网络的整体结构和模块化结构均随时间不断变化。且积极情感下,大脑的全局信息处理能力较强,在信息的集成和整合方面具有优势;消极情感下,大脑的局部信息处理能力较强,在信息的分离和脑区内部信息处理方面具有优势。最后,在DEAP数据集上进行了实验,使用动态图指标建模进行情感识别的准确率为87.67%。