脑电信号(EEG)与情绪有很强的相关性,能够有效反映人类的心理活动和认知行为,为情绪分类研究提供了一种手段。情绪的产生是不同脑区和众多脑部结构共同参与和相互作用的结果,为了探究情绪的产生机理和反映一个脑区对另一脑区信息的相关程度和神经网络的信息关联性,本文从复杂脑网络角度出发,基于EEG导联间的数学统计关系构建情绪脑网络,并对情绪进行分类研究。节点重要性度量是研究复杂网络的重要手段,分析复杂网络的节点重要性能够对网络中的关键节点进行有效识别。为了弥补传统节点重要性评价方法的不足,本文采用一种新的网络节点重要性的评价方法——无向加权K-阶传播数法,分析不同情绪脑网络节点重要性差异。为了验证无向加权K-阶传播数能否有效地评价网络的节点重要性,本文基于美国加利福尼亚高速公路网络、ARPA网络和蛋白质网络(局部)三个无权无向网络进行仿真分析,与传统的节点重要性评价方法结果作对比。仿真结果表明,基于无向加权K-传播数的节点重要性评价模型是精确的和有效的,能够识别复杂网络中的关键节点,能够减少赋予相同节点重要程度的节点个数。除此以外,对节点重要程度排名靠后的节点判断达到良好的效果,为复杂网络的节点重要性研究提供了一种新的手段。之后,本文将上述节点重要性理论应用于情绪的分类研究。首先基于无向加权K-阶传播数法计算不同情绪脑网络的节点重要性,然后采用支持向量机和主成分分析提取不同情绪脑网络的节点重要性细节特征作为机器学习算法的输入,实现情绪脑网络的二分类和四分类研究。仿真结果表明,不同情绪脑网络的节点重要性有较大的差异性,负向情绪脑网络的边连接数随着阈值的增大减少速度要快于正向情绪脑网络,负向情绪在右脑的脑网络功能连接要比正向情绪更密集。对于情绪脑网络二分类研究,最终实现了83.6%的二分类准确率,表明采用加权K-阶传播数提取脑网络节点重要性特征进行情绪分类研究是有效的。