在情感计算研究领域中,情绪识别技术的成熟可以更好的让计算机服务于人类,因此识别情绪是一个很重要的研究方向。识别情绪可以通过多重手段进行,研究学者们一般使用语音、视频以及生理信号来识别人们当前的情绪状态。与前两者相比,使用脑电信号进行情绪识别是更真实准确的,因为语音视频是容易伪装出来的,这样的数据并不利于研究。基于这一优势,面向脑电信号进行情绪识别成为最近几年来一个热门研究方向。这个领域的许多研究都取得了一些良好的成果,但也广泛存在一些局限性。在实际生活中,随着计算机技术日新月异的迭代发展,人机交互的应用越来越普遍广泛,比如机器的智能化就能应用在识别用户的情绪上来。就现阶段来说,在情感计算研究领域,基于生理信号尤其是脑电信号进行情绪识别的研究地位显得尤为重要,并且现有的许多传统的机器学习方法在这个领域也进行了大量的研究,所取得的成果也是不错的,但是在进行实验和应用中,研究者们往往忽略了这些特征和特征之间存在的关联关系。本文的主要研究目标是通过多视图方法提取脑电信号的多种互补关联的特征,构建基于多视图的多列卷积神经网络分类模型以提高分类效果。这种基于数据特点去构建算法模型的方法,学习到的信息更加多样、全面,可以明显提高情绪识别的准确率。通过对近几年关于面向脑电信号进行情绪计算的文献系统的梳理以后,有序的展开了我们的研究,首先我们选取了DEAP情感数据集作为本文的研究载体,基于这个情感数据集构建基于多视图学习的多列卷积神经网络模型的情绪识别模型。本文的主要研究内容如下,接着就研究内容对研究思路也进行了概述:首先,描述了脑电信号的采集过程和预处理的方法手段。基于DEAP数据集,总结分析了在脑电信号采集实验中,如何采集脑电信号包括选择采集的实验环境、被试者的选择、诱导源的选取和脑电信号的采集流程。接着将采集好的原脑电信号进行预处理,预处理手段包括使用带通滤波器进行滤波去噪、信号频率分段处理、消除基线漂移等;然后,建立一个完整准确的脑电信号情感数据库。我们运用多视图的原理,将脑电信号通过特征提取构建不同视图,也就是从预处理好的脑电信号中分频提取不同频率段的统计学特征。即使用快速傅里叶变换方法或者小波变换的方法将数据集中的脑电信号数据的不同频率的影响情绪的关键五部分信号波:（1）delta信号波、（2）theta信号波、（3）alpha信号波、（4）beta信号波和（5）gamma信号波完整的提取出来。初步构建特征体系,从时域的角度进行分析,我们将预处理好的脑电信号根据不同频率之间的特点进行特征提取后,得到特征选择矩阵;最后,基于多视图的概念,提出多列卷积神经网络分类模型应用于脑电图信号的情感识别。我们的模型由数个单独的识别模块组成,每个识别模块都基于卷积神经网络的结构进行设计,基于目标数据集将构建好的特征选择矩阵集中的对每一类情感做出特征选择。该模型通过加权平均单个模块的决策来确定最后的情绪决策类别。最终我们通过这个分类模型进行特征选择,并根据不同的特征选择对应的情感标签,最终将测试集应用到该分类模型完成情绪识别。将本文提出的基于多视图的多列卷积神经网络模型和常用的情绪分类算法模型进行对比以后,表明我们提出的分类模型在基于脑电信号进行情感分类研究领域中,对信号数据的信息描述更全面具体,最终的情绪分类结果更真实有效。