随着情感计算与情感机器人技术的发展,情感智能逐渐融入到人机交互当中。机器人能够通过人的语音、面部表情、手势、生理信号等获得人的情感状态,其中,语音、面部表情、手势等易受到人的主观因素影响,因此它们不能真实地反映出人的情感,而脑电信号记录的是大脑皮层神经电位变化,能够真实地反映人的情感状态。本文以脑电信号为研究对象,围绕脑电信号预处理、特征提取、特征选择和情感分类展开研究,提出了基于多尺度分析和集成树模型的脑电情感分类方法。首先,针对脑电信号的非线性和不稳定等问题,提出了基于多尺度分析的脑电特征提取方法,包括基于经验模态分解的脑电信号特征提取和基于变分模态分解的脑电信号特征提取,将脑电信号分解成为多个尺度上的多个分量,并提取每一个分量的特征;为了分析特征子集中的特征个数对情感识别结果的影响,提出一种基于序列反向选择的特征选择方法。实验结果表明,基于多尺度的脑电信号特征提取方法相比于基于单一尺度的脑电特征提取方法,能够获得更高的情感识别率。然后,针对不同人之间差异性所导致的脑电信号特征集分布复杂的问题,提出了基于贝叶斯优化的集成树模型脑电情感识别方法。采用多个决策树组合的集成树模型Xgboost对特征进行学习和分类,在此基础上,采用贝叶斯优化算法对模型进行超参数的优化。实验结果表明,与传统的集成树模型梯度下降决策树和随机森林相比,基于Xgboost脑电情感识别方法得到了更好的识别效果。最后,设计和开发了一套脑电情感识别系统,将提出的脑电情感识别方法运用到脑电情感识别系统当中,系统能够获取多通道的脑电数据,并实现脑电信号的预处理、特征提取和情感分类。