情感计算是人机交互领域的重点研究课题，情感识别是情感计算的重要组成部分。脑电信号产生于人类大脑的神经中枢，与人类的情感变化有着密切的联系，因此脑电信号在反映人类情感状态方面有着其它生理信号无法比拟的优势，脑电信号中包含丰富的能够反映人类情感变化的有用信息，如何从原始的情感脑电信号中提取有效的情感特征来提高情感识别的准确率是情感识别领域的重要研究内容。　　脑电信号是一种非平稳非线性随机信号，时频分析方法结合了时域和频域的联合分布信息，是分析脑电信号的有效工具。在众多的时频分析方法中，希尔伯特-黄变换因其良好的自适应性在非平稳信号处理领域得到了广泛的应用。本文将希尔伯特-黄变换应用于脑电信号情感特征提取的研究中，主要做了如下几项工作:　　第一，设计了详细的实验流程进行脑电信号采集，分别采集了12.名被试者在高兴、悲伤、惊奇、厌恶、恐惧和愤怒六种情感状态下的脑电信号，并通过FastICA方法去除原始脑电信号中的噪声干扰。　　第二，详细阐述了希尔伯特-黄变换的基本原理和步骤，针对经验模态分解步骤中拟合包络线过程的“端点效应”进行了详细地分析，分别利用镜像延拓方法和延长数据分解后截取两端数据两种方式对普通EMD分解方法进行改进，以周期谐波函数为例通过仿真实验验证改进后的EMD分解具有更高的精度。　　第三，本文将改进后的EMD分解方法应用到脑电信号的处理中，获取不同情感类别脑电信号的IMF分量，从IMF分量中提取了IMF能量、IMF能量熵、IMF能量矩和IMF判别熵等特征，然后对IMF分量进行希尔伯特变换获得希尔伯特时频谱，从HHT时频谱中提取出了Hilbert时频标准差、Hilbert时频均值、Hilbert时频能量等特征，分别比较了这些特征在情感识别实验中的分类准确率。　　第四，利用提取到的相关特征进行了分类实验，研究结果显示IMF能量熵在情感识别中可以获得80％以上的分类准确率，Hilbert时频能量在情感识别中可以获得75％的准确率。