脑机接口是一种不依赖于人体神经和肌肉组织而直接建立大脑与外部设备之间的通信通道的技术。随着电子信息科技以及计算机技术的不断发展,脑机接口技术将在军事、医疗、人工智能领域以及本文所研究的情绪识别领域有良好的应用前景。情绪识别是计算机分析和处理传感器采集得到的信号,从而得到人所处的情绪状态的技术。与传统的基于面部表情或者语音的情绪识别方式不同,脑电信号不易被伪装,所以基于脑电信号的情绪识别更加真实可靠。脑电信号的采集周期长、成本高且难以获取同一被试者的大量数据,而且是不具备各态历经性的非平稳信号。传统的基于机器学习的脑电信号情绪识别算法忽略了电极间的空间信息,而且必须满足训练数据与测试数据在特征空间中同分布的条件。这些问题成为脑电信号情绪识别算法性能的瓶颈,限制了实际应用范围。本文针对上述问题,试图从深度学习的角度提升情绪脑电信号识别准确率,主要的研究内容如下:本文改进了脑电信号预处理的方法,并设计了与之对应的深度卷积神经网络。本文首先分析四种脑机接口领域中常用的特征,选取了微分熵特征作为后续研究的基础。为了保存电极间的空间信息,本文采用极坐标投影的方式,在投影得到电极的分布位置后,利用三次插值法将脑电信号转化成二维空间表征。为了充分利用二维空间表征蕴含的空间信息以提取高效的脑部空间特征,本文根据该表征的特点,设计了一个卷积神经网络。在情绪脑电数据集SEED上设计的单被试者情绪分类实验表明,引入的空间信息以及本文设计的卷积神经网络能够有效提升单被试者的情绪分类准确率。针对实际训练数据与测试数据特征分布不同的问题,本文在该卷积神经网络的基础上,设计了一个深度迁移学习框架。在卷积神经网络的训练过程中限制训练样本与测试样本之间的差异性,使网络可以作用在与训练集不同分布的测试集上。本文采用了两种差异性损失函数,分别为根据关联对齐算法设计的关联对齐损失函数以及多核最大均值差异损失函数。设计了跨被试者和跨时间的脑电信号情绪分类实验。实验结果表明本文的方法可以有效减小训练数据和测试数据之间的差异,提高跨被试者和跨时间的脑电信号情绪分类的性能。