情感与人们的日常生活关系密切,随着人工智能技术的发展,情感识别研究受到越来越多的关注,通过采集人们在不同情感响应时的外部行为表现和生理参数,可以使计算机自动识别人类情感的变化,并广泛应用在人机交互、交通安全、医疗辅助、远程教育和情绪疏导等多种场景,情感识别研究具有重要的意义和巨大的应用价值。传统的使用语音和面部表情等非生理信号进行情感识别,易受使用者刻意掩饰外在表现而造成情感识别错误,而生理信号中的脑电（Electroencephalogram,EEG）可以客观反映情感状态变化,且有低成本、高时间分辨率、高便携性和简单易得等优点,受到广泛关注,开展基于脑电的情感识别研究具有重要意义。但脑电信号通常很微弱,容易掺杂噪声,以及非平稳特性,导致不同被试之间的脑电信号,甚至同一个被试者在较长时间跨度上的脑电信号都会有很大的差异。传统的脑电情感识别使用的训练集和测试集都来源于同一个被试和同一个试次,当训练集和测试集来源于不同的被试或者不同的试次时,情感识别效果不理想。迁移学习方法可以让一个领域的知识迁移到另一个领域中,帮助另一个领域构建更好的模型。在脑电情感识别中加入迁移学习的方法,可以有效提高对不同被试和不同试次的脑电情感识别准确率。本文主要针对跨被试和跨试次的脑电情感识别做研究,设计了一个基于样本迁移和基于特征迁移的情感识别模型,主要研究内容如下:（1）由于源域中既包含有利于目标域识别的数据,也包含对目标域识别产生负作用的数据,导致负迁移发生,本文从样本分布特性出发,设计了一种基于k-means的样本选择方法。该方法通过对目标域数据进行k-means聚类,得到多个聚类中心,在源域上选取与聚类中心距离相近的点作为新的源域数据,控制新源域数据的数量并使各类的样本数保持均衡,最后使用筛选后的新源域数据训练分类器模型,对目标域进行分类识别。新的源域数据由于剔除掉了一些易使识别模型产生负迁移的样本点,所以由新源域数据训练的分类器模型,相比未经过筛选的源域数据训练的模型,对目标域的分类识别结果更好。（2）由于源域和目标域的特征概率分布不同,导致由源域上未对齐的特征数据训练的分类识别模型对目标域识别效果差。针对这一问题,本文从基于特征的迁移学习角度,提出了一个可以对齐两个域概率分布的损失函数。最大均值差异（Maximum Mean Discrepancy,MMD）衡量源域和目标域在再生希尔伯特空间（Reproducing Kernel Hilbert Space,RKHS）中均值差异的大小,通过最小化两个域的最大均值差异,可以对齐这两个域的边缘概率分布。局部最大均值差异（local maximum mean discrepancy,LMMD）衡量两个域的条件概率分布的差异,计算时先对两个域中同类别的数据求最大均值差异,再求它们平方的均值。通过把MMD和LMMD与传统的交叉熵损失按一定系数相加,得到可以在训练模型过程中对齐源域和目标域数据的损失函数,并将其用于堆栈自编码器的脑电情感识别模型,来同时提高识别模型对目标域的识别性能和模型的稳定性。基于堆栈自编码器的识别模型,可以通过逐层预训练,使模型更容易收敛。堆栈自编码器属于深度模型,改进的损失函数中加入了迁移学习元素,通过把深度模型和迁移学习结合在一起,利用深度学习的学习能力充分对两个域的特征进行对齐,达到跨领域识别的目的,提高了分类器对目标域的情感识别准确率。本文在SEED数据库上进行跨被试和跨试次的脑电情感识别实验,结果显示,基于k-means聚类的样本选择方法和基于堆栈自编码器的情感识别模型对不同被试的情感脑电和不同试次的情感脑电都有较好的识别性能。