脑电情绪识别是一个目前正蓬勃发展的研究领域,对推进人类情绪的理解具有积极作用,在教育、娱乐、安全等领域都有着广阔的应用前景。利用脑电情绪识别技术在共情能力区分上的有效性可以对儿童孤独症的筛查工作提供有力的辅助工具,或为儿童孤独症的干预活动提供一定的参考信息。在大量脑电情绪识别研究中,对信号进行滑窗处理是研究者们常常使用的一种手段,这种方法充分利用了脑电信号作为一种电信号在时域上高分辨率的优势。但在对滑窗信号的标签进行处理时,往往只考虑到了短时段滑窗内情绪的稳定性,而忽视了无法对其标签进行精准确定的问题。为了在充分利用脑电信号高时间分辨率优势的同时缓解滑窗信号与标签时间尺度不匹配这一问题,本研究提出一种基于深度多示例学习的脑电情绪识别方法,将信号进行处理后构建为包结构进行识别,提高脑电情绪识别的精度。本研究的主要工作总结如下:（1）为了充分利用脑电信号时域、频域、空间域与标签信息,提出了一种脑电数据包构建与包标签确定方式。首先对脑电信号进行预处理,包括对信号进行频率模式分解,使用滑窗进行分割,提取微分熵特征。然后使用特征值进行示例构建,根据对应的频域、空间信息将数据处理为三维结构体。最后完成包构建与包标签确定,将单个实验内连续多个示例组合为包,单个示例不确定标签,包标签与所属实验标签一致。（2）为了缓解滑窗信号与标签尺度不匹配的问题,提出了添加基于注意力的多示例学习机制的卷积神经网络。使用多层连续卷积模块学习示例特征,而基于注意力的多示例学习模块对包中各示例特征进行总结并完成识别。这一算法在DEAP与SEED数据集上的脑电情绪识别实验中达到了较高的识别准确率,并在孤独症数据集上进行孤独症筛查实验时得到了较好的效果。（3）基于提出的脑电情绪识别算法,设计并实现了一个基于Android的脑电情绪识别系统用于在移动平台的离线脑电情绪识别。系统包含两个部分,用于进行脑电情绪识别并将结果可视化的移动平台部分,与用于训练测试并迁移模型的模型定制平台部分。该系统在孤独症儿童共情能力评估上进行了应用,为孤独症儿童共情能力干预提供了一定的参考。