近年来,随着机器学习与深度学习的快速发展,基于脑电图（EEG）信号的情感自动识别越来越受到关注。EEG由于其成本低、时间和空间分辨率好等优点,已成为一种非常普遍的技术,被广泛应用于大多数脑电接口的应用和研究中。与此同时图卷积神经网络作为最近流行的能够提取图域信息的神经网络已经越来越广泛地被应用。目前基于图卷积神经网络模型的脑电情感识别有着如下的问题并针对这些问题提出了解决方法:（1）单纯地使用最简单的图卷积神经网络并不能让模型的效果达到优于现有的混合模型。本论文提出了一种将图卷积神经网络-长短期记忆神经网络（GCN-LSTM）混合模型用来进行情感脑电识别。由于大脑通道的电极之间天然就能构成非欧式的空间结构,所以使用GCN对脑电数据先进行建模,提取脑电数据的图域特征,而后利用LSTM网络能够提取时间信息,最后利用密集层获得情感分类结果。最终得到的模型准确率在单一被试的条件下的平均正确率达到93.98%。（2）由于图卷积相比于正常CNN中的卷积更加复杂导致在图卷积的过程中模型的开销会比较大而且从原始脑电数据构造图的过程中使用的信息过于单一,从而导致一些信息缺失。本论文提出了图粗化-图卷积（GC-GCN）模型。为了验证空域信息的有效性,在单一受试者的实验条件下,取得的平均准确率在92.48%。本章所提出的图粗化算法在提高模型效率上表现突出,对比不使用图粗化模块的神经网络模型,模型在训练效率上提升了23.27%。最后对比系统灵敏度相同的其他神经网络模型本章提出的GC-GCN模型在准确率上也处于领先的地位。（3）大多针对情感脑电的研究都是对于单一被试的情况下完成的,而对于跨被试的情况正确率都比较低。本论文提出了基于Top-k策略的动态图卷积（Topk＿DGCN）模型。采用留一法交叉验证策略进行训练和测试。本章为了验证Topk策略的有效性,详细描述了k取不同的值对于整个模型的影响,并证明了当k的值取10时模型获得最好的结果。而后本章为了验证该模型的效果在整个SEED数据集上与正则化图卷积神经网络（RGNN）,深度自适应网络（DAN）等模型做对比,证明在该模型在跨被试上的效果是最好的,达到了87.42%。与此同时由于Top-k策略能够构造稀疏图,该模型的效率也要优于上述的模型。