人体的各个脑区并不是相互独立的,不同脑区之间存在某种联系,在脑电数据集上,体现为脑电通道间是相互依赖、相互影响的,即图数据中边的信息。因此脑电数据集需要被扩展为图数据,使网络可以提取到图数据节点之间的结构信息,这符合图卷积神经网络的观点。目前,针对图卷积模型,存在节点间关系挖掘的不够充分,挖掘出的均只含有一种信息,并不能充分表达节点间关系,以及模型迁移学习能力不强的问题。基于以上问题,本文主要进行了以下研究工作:（1）针对现有的图卷积模型仅考虑到脑电通道的相关性关系问题,本文提出因果图卷积,旨在挖掘出脑电通道间的因果关系,并测试其是否能够为图卷积提供更有效的信息。本方法利用格兰杰因果关系检验求出通道间的因果关系值,再将这些值组成一个非对称的有向矩阵,使图卷积模型能够考虑到通道间的因果影响。同时深度可分离卷积提取信号的局部特征,实现模型参数的减少和性能的提高。本文首次提出用因果关系构造脑电通道间关系,使图卷积网络的邻接矩阵是一个非对称的结构。该方法在SEED数据集的三分类任务中取得了93.36%的准确率,在SEED-IV数据集的四分类任务中取得了75.48%的准确率。（2）针对图卷积模型中邻接矩阵信息单一化的问题,本文提出融合图卷积,旨在充分挖掘出脑电通道间的信息。本方法首先计算出通道间的距离关系、相关性关系和因果关系,再将这三个矩阵用两种不同的融合方法进行融合,得到两个的融合邻接矩阵,在实验中选择最优的融合邻接矩阵。最后用深度可分离卷积对特征做进一步处理,提高模型性能。对于图卷积神经网络,本文首次提出信息多元化的融合邻接矩阵,实验证明邻接矩阵信息的丰富性,能够提高情绪识别的准确率。融合图卷积在SEED数据集的三分类任务中达到了94.1%的准确率,在DEAP数据集的二分类任务中最高也达到了91.02%的准确率。（3）针对同一个被试不同时段的脑电信号以及不同被试的脑电信号存在差异性问题,本文引入迁移学习,提出了基于类别域适应的融合图卷积模型,旨在使图卷积模型能够具有更好的迁移学习能力。本方法在原有的融合图卷积模型上做进一步的优化,用融合图卷积为源域和目标域提取任务相关性特征,并在分类层,最小化两个域中同类别样本的条件最大平均差异度量,最终达到特征迁移的效果。本文首次在图卷积神经网络中引入迁移学习方法,进一步优化了图卷积神经网络的迁移学习能力。和融合图卷积的相比,基于条件最大平均差异的融合图卷积在SEED数据集三分类情绪识别的准确率提高了5.71%。基于因果图卷积和融合图卷积的脑电情绪识别方法,在情绪相关的公共数据集上进行了检验,结果表明通过EEG信号可以比较精准的识别出被试的情绪,且提取到的脑电通道间的关系能够提高模型性能,为图卷积的迁移学习提供了可能。通过在SEED数据集上的实验,证明了基于类别域适应的融合图卷积模型做情绪识别的可行性,增强了该模型的实用性。