情感在人类认知过程中具有举足轻重的地位。脑电信号（Electroencephalogram,EEG）是脑神经细胞电信号在大脑皮层或头皮表面的总体反映。将脑电信号用于情感识别具有良好的抗伪装性和客观性等特点。由于人体差异性和所处的环境不同,许多个性化因素对脑电的情感识别会产生一定的影响。本文对多种个性化因素在脑电情感识别中的影响展开研究,主要从个体差异、环境差异以及其他生理信号的差异三个方面开展研究。另一种生理信号选取了心电信号（Electrocardiogram,ECG）。本文的主要工作如下:在个体差异性方面,提出了一种基于脑电的跨个体迁移情感识别方法。由于个体差异所引起的数据分布差异会导致跨个体的情感识别模型性能降低,本文基于迁移学习的思想,先对已有标签的个体数据进行源域数据的选择,以防止负迁移,再使用流形嵌入式分布对齐方法,将源域与目标域特征空间通过映射及分布对齐完成情感分类。结果显示,跨个体迁移的脑电情感识别模型的识别率更加具有优势,对于积极,中性,消极三种情感的平均情感识别率为74%。在环境差异性方面,本文研究了不同的环境状态对基于脑电情感识别的影响。考虑不同的环境因素会导致个体的情感发生变化,本文针对有无光照和有无他人陪同两种环境因素,构建了四种环境状态,评估了不同环境状态对情感识别的影响。实验结果表明,在大多数情况下,单一环境下的情感识别率比四种环境合并的综合环境下的情感识别率高,其中,在无光照有人陪同的环境状态下,情感识别率最高,与综合环境相比平均识别率提高了13.91%;在有他人陪同的环境下,积极和中性情感更容易被激发;在有光照的环境下,消极情感更容易被激发。在使用ECG辅助脑电信号用于情感识别方面,提出了一种基于脑电信号和心电信号相结合的维度情感识别方法。对于EEG,采用支持向量机分类器进行特征分类,对于ECG,建立了相应的双向长短期记忆网络情感识别模型,通过证据理论将ECG与EEG分类结果进行融合。实验结果表明,该双模态融合模型的性能优于单模态情绪识别模型。在Arousal和Valence两个维度上,与只基于脑电信号的情绪识别模型相比,平均准确率分别提高了2.64%和2.75%。与只基于心电信号的情绪识别模型相比,准确率提高了7.37%和8.73%。