人类在探索科学的道路上从未停止过对大脑的研究。脑电作为安全、经济的电生理监测方式,能反映大脑中复杂的电生理活动,助力脑科学研究及应用。如何从复杂的脑电信号中提取有效信息是脑电走向应用的难点。深度学习凭借其强大的学习能力已被应用至脑电分析中。基于图表征的脑电分类方法将脑电数据转换为以节点特征和邻接矩阵描述的图表征,能更好地捕捉大脑不同区域间的潜在联系。高质量的大脑图表征的构建有利于更好地从脑电数据中获取信息,是值得探索的问题。本文提出一种基于脑电信号的自适应图表征构建方法,在训练中自动对图表征进行学习,并结合图神经网络,将其应用在精神疾病诊断及情绪识别任务中。具体如下:（1）提出了一种融合频域、空域、子空间域信息的自适应节点特征提取方法。自动获取电极点的频域特征并映射至多个子空间中,提高模型表达能力。同时,引入频域、子空间域及空域的三维注意力机制,在训练中关注不同维度上的重要信息。（2）提出了一种同时考虑被试相关和被试无关信息的自适应邻接矩阵构建方式。被试相关的邻接矩阵在训练过程中自适应地学习不同被试间的个体差异,被试无关的邻接矩阵则负责描述所有被试的“普遍规律”。将上述方法应用至发病率高但诊断困难的经前期综合症数据上,在跨被试的诊断任务上分别取得了76.15%,72.53%的准确率,高于现有研究中的常用方法。将二者结合得到完整的自适应图表征构建方法,在经前期综合症数据上达到78.49%的跨被试识别准确率,在公开的情感识别数据集SEED上达到87.91%的跨被试识别准确率。