机器自动情绪识别因其在人机交互中的潜在应用而受到越来越多的关注。目前,情绪识别可通过多种信息来实现,如面部表情、语音语调、身体姿态以及人体各种生理信号等。相比较而言,皮层脑电作为中枢神经生理信号,调节与情绪相关的递质分泌和大脑的边缘系统,能够客观反映人的情绪状态变化,从脑电信号中提取有效特征并进行情绪识别在人机交互和精神心理疾病监测中具有重要意义。论文针对维度情感模型的构建以及脑电信号情绪识别中特征提取与分类等关键环节展开相关研究,分别采用了信号处理方法提取特征以及深度栈式自编码（Deep Stacked auto encoder,Deep-SAE）自动生成特征,设计栈式自编码深度学习算法以及长短时记忆循环网络分类模型,探索不同方法和模型对脑电情绪识别的有效性。论文主要研究内容如下:（1）构建维度情感模型,基于DEAP维度情感生理数据集,从不同角度提取了情感脑电信号特征。分别为:利用自回归模型（Auto Regressive,AR）功率谱估计方法,提取脑电θ、α、β、γ节律的功率谱密度;采用小波包分解提取脑电的小波包系数以及能量占比时频特征;通过非线性分析方法提取脑电的样本熵和小波包熵特征。（2）设计栈式自编码神经网络深度学习算法,对提取的脑电特征在效价和唤醒度两个情感维度进行了机器情绪识别。此方法在DEAP数据集上的仿真测试结果为:在效价维度,情绪识别平均正确率达到80.3%;在唤醒度维度,平均识别正确率达到81.5%,获得了较高的情绪识别正确率。在此基础上,还分析了脑电特征组合、样本数据均衡以及维度情感标签阈值对识别结果的影响。（3）在生理信号情绪识别中,为了自动挖掘脑电信号所蕴含的情感特征信息,论文提出了深度栈式自编码（Deep-SAE）方法,直接从脑电数据中自动解码深层的情感信息,并生成特征序列。通过对多导联脑电信号仿真测试,经过编码-解码过程,获得了多导联脑电数据有效解码的情感特征信息。（4）针对脑电信号情绪识别中分类算法导致的泛化能力差的问题,论文综合考虑了脑电信号具有的时序性和导联分布特点,对获取的不同导联脑电特征序列,设计长短时记忆（Long short-term memory,LSTM）循环网络进行模型训练、交叉验证与算法测试,通过正确率、精确度、召回率和F1-分数等指标评估模型的性能。仿真测试结果为:在效价维度,脑电信号情绪识别平均正确率和F1-分数分别达到77.4%和0.804;在唤醒度维度,平均识别正确率和F1-分数分别达到73.7%和0.775。该模型较其它方法获得了较好的情绪识别泛化能力。论文研究的脑电信号情绪识别维度情感模型构建、特征提取与分类算法,为机器自动情绪识别提供了新的思路,研究成果在情感机器人、医疗健康、心理学、脑-机交互、情境学习以及多媒体游戏开发等领域有着重要的科学与应用价值。