近年来,机器学习和信息融合的飞速发展使得计算机被赋予情绪理解、识别和分析的能力成为可能。情绪识别吸引了来自各个领域的研究人员浓厚的兴趣。传统手工提取特征的方法在脑电情绪识别上取得了不错的成绩,随着深度学习方法的兴起,深度学习已经普遍用于脑电情绪识别,相比于传统手工提取特征的方法,深度网络可以学习到更鲁棒、更深层的特征,从而提高识别精度。而神经网络的宽度和深度一样重要,自宽度学习提出以来,取得了广泛的关注,宽度方向的拓展让网络发挥更重要的作用,这给情绪识别的研究提供了思路。另外,作为一种有效的特征提取和表征学习技术,核方法有效地提高了算法的性能,并极大地促进了机器学习领域的研究。因此,本文主要围绕多核宽度学习的脑电情绪识别展开研究,本文的主要贡献点如下:（1）提出了基于卷积神经网络和多核宽度学习的脑电情绪识别算法。为了提取有效的脑电信号特征,本文采用了预处理和特征提取相结合的方式,其中预处理方法获得脑电数据中的频率信息,同时卷积神经网络被设计来进一步提取其深层次的空间特征。此外,多核宽度学习中傅立叶核逼近法加强了EEG信号中的频率和空间信息的区分性,从而提高了宽度学习在脑电情绪的识别效果。（2）卷积神经网络在提取脑电信号特征时更多地侧重于学习局部特征信息,而无法提取空间域中离散且不连续的特征。因此根据其的固有属性和分布,本文使用图卷积方法提取EEG通道的内在联系。针对核近似方法,考虑到随机正交矩阵代替随机高斯矩阵能够降低近似核函数的误差,本文首次将正交随机特征核近似与宽度学习相结合,提出了一种改进的多核宽度学习系统。常用脑电数据集上的对比实验验证了基于多核宽度学习的脑电情绪识别方法的有效性。本文提出的改进算法提升了脑电情绪识别的准确率。在SEED数据集上的平均准确率为97.78%,在DEAP数据集上的效价和唤醒度的平均准确率分别96.88%和97.03%,在DREAMER数据集上的效价、唤醒度和支配度分别为88.36%,89.34%和90.09%。