近年来,情绪识别作为脑机接口中的研究热点课题之一,受到了全世界的关注,并且在疾病诊治、心理调节、军事创伤恢复等诸多领域得到了广泛的应用和研究。相比基于文本或图像情绪识别,基于脑电信号的情绪识别的方法更具可靠性和稳定性,在情绪研究中扮演着越来越重要的角色。但脑电信号本身具有信号复杂、冗余信息干扰强、个体间差异大等特点,致使脑电信号中的情绪信息不能被充分利用,跨被试者情绪识别准确率较低。因此,如何充分利用脑电信号中的多种特征,提高情绪识别效果和解决跨被试者情绪识别问题成为研究的重点。针对以上问题,本文结合多维特征以及包含注意力机制的神经网络对脑电情绪识别开展进一步研究,具体研究内容包括:（1）基于注意力卷积神经网络和双向长短期记忆网络的情绪识别算法针对传统脑电识别算法存在脑电信号中情绪特征提取不充分的问题,本文提出了一种基于注意力卷积神经网络和双向长短期记忆网络的情绪识别算法。首先,对原始的脑电信号划分并提取4个频带的微分熵。之后,按照脑电电极空间分布转变为包含空间信息的三维数据块。然后,将数据块先输入注意力卷积神经网络进行空间特征提取,产生的特征数据再输入双向长短期记忆网络提取时域特征,最后利用softmax分类器得到情绪分类结果。其中在卷积神经网络中嵌入注意力能够分析特征权重,有效减少冗余信息,双向长短期记忆网络能够充分考虑数据特征的前后关联,有助于情绪分类。在SEED公开数据集上取得了全被试者96.49%的平均分类精度,跨被试者89.67%的平均分类准确度。此外,通过通道特征权重分析选出34个电极,构成最优通道集,有利于脑电设备的便携式发展。（2）基于双重注意力卷积神经网络的情绪识别算法针对脑电信号情绪识别中的跨被试者问题,本文提出了一种基于双重注意力卷积神经网络的情绪识别算法,首先,结合微分熵和功率谱密度特征的优势,生成包含空间信息的数据块。其中,本算法通过改变数据尺寸参数,并在数据间采用三次插值方法进行数据填充,使得空间信息更好的保留。然后利用三维卷积神经网络对此数据进行特征提取,并结合双重注意力机制层,能够保留有效的情绪特征,减弱无关特征。最后,在SEED情绪数据集中设计了跨被试者情绪分类实验,取得了93.62%的平均准确率,表明该算法具有良好的识别效果。此外,对通道特征进行权重分析,得到了23个重要电极,有助于研究脑电信号与情绪的关系。