情感是人类工作生活中不可或缺的一部分,随着人机交互和人工智能领域的发展,情绪识别方面的研究已经在面部表情、语音、文本和生理信号等各个领域展开。但是面部表情、语音、文本等信号中的情绪具有很大的伪装性。与这些非生理信号相比,脑电（Electroencephalogram,EEG）信号可以更真实地反映真实的情绪状态。然而基于脑电信号的情绪识别仍然有很大的改进空间,如何更有效地提取脑电信号的情绪相关特征,并提高脑电情绪识别的准确率成为学者们的研究重点。本文利用卷积神经网络、门控循环单元和注意力机制的强大的特征提取能力,构建两种脑电情绪识别分类模型,获得了良好的分类效果。本文的主要研究内容如下:（1）基于三维时空注意力网络的脑电情绪识别为了提取脑电信号的时空特征,本文构建了一种基于三维时空注意力网络的脑电情绪识别模型。首先根据大脑电极的空间位置将一维脑电信号映射为二维空间矩阵,使用三维卷积神经网络（Three-Dimensional Convolutional Neural Networks,3DCNN）提取脑电信号的时空特征,然后使用双向门控循环单元（Bidirectional Gated Recurrent Unit,BiGRU）提取脑电信号的时间相关信息,并使用注意力机制对提取的时间信息进行加权,最后使用Softmax分类器进行分类。本文在上海交大情感脑电数据集（SJTU Emotion EEG Dataset,SEED）和四种情绪的上海交大情感脑电数据集（SJTU Emotion EEG Dataset for Four Emotions,SEED-IV）上进行了测试实验,平均分类准确率分别为97.26%和88.00%。（2）基于多尺度时空卷积注意力网络的脑电情绪识别为了从脑电信号中尽可能多地提取情绪相关的时空特征,本文构建了基于多尺度时空卷积注意力网络的脑电情绪识别模型。首先使用四个不同层数的卷积神经网络捕获脑电信号不同深度的时空特征,然后构造多尺度卷积神经网络以获得脑电信号的多重时空特征。最后,使用基于Bi-GRU的注意力机制提取脑电信号的时间相关信息,并对提取的信息自动分配权重,突出重要的情绪信息获得更具有判别性的情绪相关特征。该模型在SEED数据集、SEED-IV数据集和使用生理信号进行情绪分析的数据集（Database for Emotion Analysis using Physiological Signals,DEAP）上进行了测试,实验结果表明所构建的模型提高了情绪识别的准确率,并具有一定的泛化能力。