情感是人对客观事物的态度体验,也是人脑的高级功能,深刻影响着人的性格特征和心理健康。衡量并识别人的情感状态在心理健康等领域有着重要作用。脑电信号（Electroencephalogram,EEG）作为中枢神经生理信号,不容易受到主观因素的影响,相较于其他生理信号更能客观地反映人的情感状态。因此,近些年脑电信号被广泛应用于情感分析研究领域。脑电信号情感分析对采集的脑电信号进行分析,通过一定的方式提取脑电信号中的有用特征并加以利用,从而识别人的情感状态。然而,现有的脑电信号情感分析模型要么效果上不能达到很好的水平,要么需要对脑电信号做太多的处理工作。为了提高脑电信号情感分析的效果,本文设计了相应的改进方法,具体研究内容如下:（1）本文使用三维卷积神经网络（3-Dimensional Convolutional Neural Networks,3DCNN）替代传统的卷积神经网络（Convolutional Neural Networks,CNN）,它既能提取脑电信号不同通道之间的二维空间特征,也能提取到脑电信号帧与帧之间的关联信息,从而利用上脑电信号的时序特征。传统CNN在图片分类领域有着较好的效果,但是原始脑电信号是一种多通道的时间序列数据,为了将CNN模型应用在脑电信号中,一般需要先将一维的脑电信号转化为二维的特征矩阵,然后可以很方便地使用CNN对其进行分析。但是使用传统的CNN模型会忽略脑电信号的时序特征,一定程度上会损失精度和泛化性。因此本文使用3DCNN克服传统CNN的这一缺点。（2）本文设计了 Pile1DCNN模型用来提取脑电信号的深层次特征。该模型使用多个堆叠的一维CNN模型,既能够捕捉到相邻输入之间的局部相关性,也能够同时利用低级和复杂的特征。使用3DCNN时,为了将一维脑电信号转化为二维矩阵,还需要知道脑电信号采集设备的电极分布空间信息,这增加了实验和应用的复杂度。而Pile1DCNN不需要对脑电信号做特殊的处理,能够直接利用原始的脑电信号。（3）3DCNN在特征提取方面有着很好的广度,而Pile1DCNN在特征提取方面有着很好的深度,因此本文将它们结合在一起构造了一个混合神经网络。实验结果表明,3DCNN结合PilelDCNN的混合神经网络在各个方面都有所提升。（4）本文使用Swish激活函数代替ReLU激活函数。激活函数在深度学习中起着重要的作用,最常使用的激活函数是线性整流函数（Linear rectification function,ReLU）。Swish激活函数可以看作是一个在ReLU和线性函数之间插值的光滑函数,并且具有可训练的参数,因此可以适应各种情况。实验结果表明使用Swish激活函数取得了更好的效果。除此之外,针对最大池化层只保留最大值,丢失大量信息的问题,本文采用了 K-Max池化层,可以保留得分最高的前K个特征,从而减少信息损失,更适合用来进行特征提取。（5）在两个数据集上进行了情感分类实验。其中在DEAP数据集上取得了 98.81%的效价准确率和98.86%的唤醒度准确率,在SEED数据集上取得了 99.31%的三分类准确率,均优于现有的其他方法。