情绪识别是人机交互领域的一个研究热点，它能让计算机更加智能化地与人沟通，并改善用户体验。传统的情绪识别技术主要基于语音和面部特征。由于情绪的外在表现容易被伪装,所以传统的情绪识别技术并不可靠。基于脑电的情绪识别技术可以弥补传统方法的不足，因为脑电可以反映大脑在加工情绪时所伴随的神经电生理活动。基于脑电的情绪识别是一个崭新的研究领域，它涉及到情绪的诱发，脑电的特征提取和模式识别技术。本文依据情绪的维度模型选择了三种音乐片段，它们可以表达中性，正性和负性情绪，并用这些音乐材料诱发三种情绪状态下的脑电。在基于功率谱密度信息的情绪识别研究中，五种脑电节律下的平均功率被用于情绪分类。首先，通过多重比较检验，选择三种情绪下平均功率都有显著差异的电极，并以这些电极的平均功率作为特征向量。然后，用主成分分析法对特征向量降维，并以降维后的特征向量对三种情绪状态下的脑电进行分类。对比不同节律的特征向量的分类效果，发现以beta和gamma节律的特征向量进行分类时所获得正确率最高，总体平均正确率分别为0.842和0.841，并且这两个节律下提供特征的电极在头表的位置分布具有被试间一致性。对比不同分类器的分类效果，发现SVM和QBC优于其他分类器，不同节律上最高的被试间平均正确率分别为94.7%和90.0%。在基于脑网络属性的情绪识别研究中，用聚类系数和距离长度组成特征向量，并用SVM完成三种情绪脑电的分类。14名被试中有9名被试的分类准确率在70%以上，并且这9名被试的平均准确为79.1%，这证明脑电的网络属性可以用于情感识别。多重比较检验表明多数被试的网络属性在三种情绪状态下存在显著性差异，并且情绪的变化倾向改变高频节律的网络属性。