脑电信号与人的情感认知活动联系密切,可以反映人的情绪变化。相比于其他生理信号,脑电信号具有更好的时间分辨率,因此在情绪识别中得到广泛的应用。为了更好地监测脑电信号并进行情绪识别,人们对脑电信号的采集设备提出了更高的要求,不但要求采集到的信号可靠性高,而且还需要设备佩戴舒适,方便携带。基于脑电信号的情绪识别研究主要存在以下问题:（1）传统的脑电采集设备需要佩戴脑电帽,使用过程繁琐,穿戴不适;（2）基于前额三导联脑电信号的情绪识别研究较少,没有充分地利用脑电特征;（3）跨被试情绪识别存在脑电个体之间差异大的问题,分类准确率不高。基于上述问题,本文主要开展了以下三项工作:（1）本文设计了一个基于新型柔性织物的脑电监测系统,由柔性脑电干式电极、脑电采集电路和上位机软件三部分组成,并开展了睁闭眼和SSVEP（稳态视觉诱发电位）的测试实验。该系统采集的脑电信号准确反映大脑的α节律,在12Hz视觉刺激下脑电信号产生了与刺激频率有关的响应,验证该系统采集的脑电信号的可靠性。该系统穿戴舒适方便,适合长时监测。（2）本文建立了可用于情绪分类的稀疏导联脑电数据集,并进行正负向情绪分类的研究。基于新型柔性织物的脑电监测系统,本文在虚拟现实情感场景诱发下采集了 14名受试者的脑电信号,并提取了小波熵、小波能量等脑电特征,再把特征矩阵输入到XGBoost分类器进行情绪分类,在正负向情绪分类任务上准确率达到88.14%。（3）本文提出了基于元迁移学习和多尺度残差网络的跨被试情绪识别框架,旨在解决脑电个体之间差异性大的问题。该框架在自建数据集上14名受试者情绪分类平均准确率达到77.73%,高于传统的机器学习方法;在DEAP数据集,该框架在愉悦度的分类任务上准确率为71.29%,在唤醒度的分类任务上准确率为71.92%,高于对比方法,证明了该框架的有效性。综上所述,本文设计了一个基于新型柔性织物脑电监测系统,在虚拟现实场景的诱发下,建立了可用作情绪分类的脑电数据集,提出了新的跨被试情绪识别框架,为情绪识别中减少脑电个体差异影响提供了新的探索思路。