近年来,随着科技的进步和人工智能的快速发展,人们对大脑产生的生理信号中的脑电信号情感识别有了越来越多都研究。脑电信号是由人的中枢神经系统产生的一种生理信号,人的情感与中枢神经系统有着密切的联系,大脑在不同的情感状态下产生不同的脑电信号,我们可以从脑电信号的变化得到相应的情感状态,而且这种生理信号不容易受到人的主观控制,所以人的情感状态可以由脑电信号实时并且真实地反映出来。在脑电信号情感识别的研究中,如何提取脑电信号中有用的特征以及选择一个好的分类方法是两个比较重要的任务,有效地提取脑电信号中的情感特征对后面的情感识别非常重要,而且提取有效的脑电情感特征后,选择一个好的分类算法也对情感识别起着非常重要的作用。本文主要从特征提取和分类方法两方面对脑电信号情感识别进行研究,主要工作如下:(1)通过将脑电信号滤波到theta(4-7 Hz)、alpha(8-13 Hz)、beta(14-30Hz)和gamma(31-45 Hz)四个频带,并在每个频带上计算出相应的功率谱密度。我们首先使用Light GBM对功率谱密度特征进行重要性排序,筛选出对脑电情感分类有用的特征,然后再使用Light GBM对有效的脑电情感特征进行分类,我们同时使用了SVM算法与Light GBM进行对比研究,结果表明SVM在提取到的特征上进行分类得到的效果不如Light GBM的分类效果好,而且在特征提取后,使用提取到的与情感相关的特征进行分类可以提高脑电分类的准确率和提高分类效率。(2)在频域特征功率谱密度的基础上提出了一个新的卷积神经网络分类方法对脑电信号进行分类,该方法能够有效地使用功率谱密度特征对脑电信号进行情感分类,我们同时也使用了随机森林、KNN、决策树三种分类器分别对功率谱密度特征进行分类。我们首先使用本文提出的卷积神经网络分类方法对Valence和Arousal分别进行了二分类与三分类的实验,然后使用随机森林、KNN、决策树三种分类器进行对Valence和Arousal进行了二分类实验,我们将使用不同分类器得到的二分类结果进行了对比,结果表明,使用该卷积神经网络分类方法在功率谱密度特征上对Valence和Arousal进行二分类和三分类的准确率都有了一定的提高。