情绪,作为一种主观感受,对人的认知和行为有很大的影响,在人际交往中发挥着独特而重要的作用,自动情绪识别技术成为人工智能领域内的一个研究热点。脑电信号(EEG)作为一种客观的生理信号,对人类情绪状态有直接的反映,因而本文的研究内容是基于EEG的情绪识别。目前,在EEG信号分解和情绪特征提取方面,存在两个突出问题:1)在情绪识别任务中,EEG的时域信息经常被忽略,从而导致对EEG的时空频多域信息的利用不够充分;2)EEG采集信号即使经过去除伪迹的预处理,其本身仍是一种混合了多个EEG源信号的混合信号,各脑区信号相互干扰,从而影响识别效果。针对上述问题,本文在进行了以下三项主体工作:1)基于情绪时序模型提出基于长短时记忆循环神经网络(LSTM)的情绪分类算法,并在情绪愉悦度分类实验中达到78.44%的平均准确率,验证了其在EEG时域信息提取上的有效性;2)基于EEG线性混合模型提出基于堆叠自动编码器(SAE)的EEG信号分解算法,通过EEG信号分解实验证明了其有效性。基于此建立SAE+LSTM情绪分类框架,并在情绪愉悦度和唤醒度分类实验中达到81.1±2.68%和74.38±1.21%的准确率,高于对比算法;3)在SAE+LSTM情绪分类框架的基础上,实现了集人机交互界面、EEG数据文件读取、自动情绪识别、EEG信号及识别结果图形化展示等多种功能的情绪识别系统,并通过功能测试验证了系统的有效性。本文所提算法可以同时利用EEG的时空频多域信息进行情绪识别,是对基于脑电时空频多域特征的情绪识别研究的一次有益的探索,提供了一种新的研究思路,有助于推动基于脑电的情绪识别研究及相关产品化进展。