随着近几年人工智能的不断发展,生理信号的研究也逐渐从医学领域扩展到情感计算与人机交互领域。脑电等生理信号直接获取自个体,具有不可伪装的特点,因此生理信号的情感研究越来越受到重视。加之深度学习研究火热,情感生理信号的研究思路应更加多元。在此背景下,我们详细调研并分析了近年来脑电等生理信号的研究,并从信号处理和情感特征提取两方面提出了自己的模型。本文的主要工作如下:(1)通过分析不同信道的基线信号与情感信号在各类特征下的稳定性,总结出基线策略。选取功率谱密度作为前置特征,分别使用不同后置特征组合以及不同分类器验证实验。实验结果表明,在不同特征组合和分类算法下,基线策略都可以有效提升情感特征的表征能力。(2)通过分析脑电极在二维电极图中分布的空间位置关系,总结并构建了空间关联的3D卷积网络模型。该模型可以提取不同脑电信道的空间关联特征。为验证该模型有效,本文分别选取多种特征组合和分类器进行对比实验。结果表明空间关联的3D卷积网络对多信道情感特征具有较好的表征能力。在此基础上,通过分析脑电及外周生理信号的情感特征特点,本文分别在特征层和决策层对脑电及外周生理信号进行了融合实验。在特征层融合中,对脑电和外周生理信号分别提取了频域和时域特征;在决策层融合中,对脑电和外周生理信号的四组较好的分类结果分组采用加权投票的方法进行融合。实验结果表明,决策层融合提高了最终分类准确率,两组情感标签下的最好分类结果分别为83.2%和81.7%。