随着智能科学的发展,人工智能技术已取得了日新月异的进步,在一些应用中,现有人工智能已展现出了超越人类的解决问题能力和技术优势。近年来运用认知计算进行类脑人工智能技术开发,成为了研究者关注的焦点。现有的人工智能技术,虽然借助大数据分析和以深度学习为代表的机器学习方法实现了一定程度的类脑智能,但依旧没有获得跨越式的技术发展。面对复杂声音事件中听觉识别、语音理解以及情感决策等任务,现有的智能算法与信号处理技术依然表现得无能为力,而这些任务对人类而言人们凭借心理的觉察、注意、情绪认知等智能,往往能够轻易完成。这种认知智能是现有人工智能技术还不能轻易达到的。本文以听觉注意和心理情绪为研究对象,旨在从脑电活动中探索心理状态解码的认知计算方法,研究听觉目标注意识别、听觉选择性注意解码和跨个体心理情绪状态识别的认知计算方法构建与实现技术,赋予认知计算系统具有像人一样的注意认知智能和情绪感知智能,主要内容如下:对脑电信号解码方法展开了深入研究与分析。鉴于时间序列分解与重构方法和熵测度相结合的技术优势能够有效提高脑电信号解码性能,本文利用奇异谱分析(SSA)和熵测度相结合的方法来构建脑电信号解码方法。所设计的脑电解码方法先使用SSA方法从脑电信号中分解得到各阶SSA分量;然后基于脑电信号SSA分量,采用熵测度方法进行脑电熵特征提取;最后利用支持向量机作为模式分类器开展脑电信号解码任务。实验采用不同眼睛状态的脑电信号为例进行脑电解码性能测试。实验结果表明,所提出的脑电信号解码方法有效地提高了脑电信号解码的准确率,实现了眼睛状态的脑电识别任务的性能优化。对熵测度快速计算方法展开了深入研究与分析。为了提高近似熵、样本熵、多尺度熵等熵测度计算效率以增强其应用潜力,本文利用向量不相似判定准则来实现熵测度快速计算。该快速计算方法对熵测度计算步骤中最耗时的向量距离计算进行优化,通过构建一个向量不相似判断准则,在向量距离计算开始前对不相似向量进行预判断。实验利用仿真信号和真实脑电数据展开样本熵、近似熵、时移多尺度熵计算的时间性能测试,实验结果表明与传统方法的熵测度计算相比较,该熵测度快速计算方法能显著地降低算法的执行时间,有效提高了熵测度计算效率。对基于单次脑电信号的听觉注意解码展开了深入研究。利用脑电熵测度与机器学习相结合的方法,基于单次脑电信号建立了一种听觉目标注意识别方法。实验设计了包含三种听觉目标注意状态的听觉实验,采集了13名受试者的认知脑电数据进行研究。实验结果显示这一方法能够有效从单次脑电信号中实现听觉目标注意状态识别。本文还利用深度LSTM神经网络构建了一种听觉选择性注意解码方法。通过两说话人双耳分听范式的听觉实验,采集了21名受试者的认知脑电数据进行实验研究。实验数据显示所提出的方法对受试者听觉选择性注意的目标语音识别,获得优异的识别准确率。实验结果充分表明基于LSTM模型的听觉选择性注意解码方法能够从单次脑电信号中对听觉选择性注意实现高精度的解码。对基于脑电信号的跨个体心理情绪状态识别展开了深入研究。脑电情绪响应的个体差异性容易导致情绪识别方法的普适性及泛化能力存在局限性,本文利用动态样本熵模式学习构建了一种跨个体情绪识别方法。实验利用脑电情感数据集SEED对15名受试者开展跨个体情绪识别。通过与已有的相关研究结果比较,实验结果表明所提出的基于动态样本熵模式学习具有更有好的跨个体情绪识别性能,表现出了更好的普适性与泛化能力。所构建的跨个体情绪状态识别的认知计算方法,实现了脑电情绪模式识别的优化与创新,能够从脑电信号中对人们的心理情绪状态进行有效预测。本文通过对听觉注意与心理情绪状态的脑电解码研究,从脑电活动中构建了心理状态解码的认知计算方法,能够对相关心理状态进行预测,可赋予认知计算系统拥有像人一样的注意认知智能和情绪感知智能。