随着科技的成熟,脑科学成为人类探索生命奥秘的重要研究领域,为了分析大脑的放电活动,脑电信号（Electroencephalogram,EEG）被广泛应用于脑科学的不同方向。由于脑电信号具有不易伪装性,近年来利用脑电信号进行情感识别受到了研究者的广泛关注。然而由于个体年龄、心态、设备、环境不同等因素脑电信号存在较大的个体差异,造成了不同受试者间脑电情绪识别模型泛化性能较差的问题,而且由于新个体可用于训练的样本量限制,令脑电情绪识别技术难以应用到实际场景。域自适应（Domain Adaptation,DA）方法通过对齐源域和目标域的分布从而将源域知识迁移到目标域上,使得无需满足训练和测试样本同分布的要求,是目前解决上述问题的主流方法。而小样本学习（Few-Shot Learning,FSL）方法不依赖大规模样本,可以为一项新任务实现低成本、快速的模型部署。本文在域自适应的基础上探索结合小样本学习方法的可能性,在单源域、多源域脑电情绪识别模型等方面展开了研究,为解决跨个体脑电情绪识别问题提供了新思路。本文的主要研究内容如下:首先,从减少对新个体样本需求的角度出发,提出了一个基于单源域自适应的小样本学习方法（Single-source Domain Adaptive Few-Shot Learning,SDA-FSL）,该方法把多个源域数据合并为单个源域,仅利用少量目标域校准样本和源域数据一起进行有监督域自适应小样本学习,提取源域和目标域的共同特征,并通过改进原型网络的抽样策略和设计实例注意力机制使其更好适应跨领域任务。实验结果表明,本文方法的性能优于主流领域适应方法和小样本学习方法,证明其具有良好的实际应用价值。然后,针对现有大多数的单源域方法忽略了样本多源性的问题,本文还研究了基于个体选择的多源域自适应小样本学习算法（Multi-source Selective Domain Adaptive FewShot Learning,MSDA-FSL）,为每个个体独立训练特征提取器和分类器,选择与目标域个体最相近的源域个体进行多源域自适应小样本学习,除了域共同特征之外还提取了域特有特征作为补充信息,并设计域成分注意力机制将两者有机结合起来,最后基于源域与目标域的相似度排名计算域权重来集成分类结果。实验结果表明,本文方法能够提高源域已知个体的利用效率,进而提高在新个体上的脑电情绪识别准确率。