由于脑电信号反映了大脑神经的基本活动,所以能够客观反映出人的内在情感。然而在脑电信号采集过程中不可避免的出现伪迹,这将导致脑电信号质量不佳;以及现有的特征选择方法无法提取与情感相关的通道,从而将与情感无关的通道也参与脑电信号分类之中,这些结果都会导致脑电信号情感效果较差。为解决上述问题,本文以SEED数据集、DEAP数据集为研究对象,将稀疏化理论引入脑电信号情感分类之中,对特征提取选择和分类算法进行研究分析。本文主要工作如下:（1）构建基于Lp（p=0.5）正则子的稀疏化因果脑网络,并提出基于情感权重的稀疏化脑电特征提取方法。本文基于机器学习逻辑回归理论,首次引入了基于Lp（p=0.5）稀疏化正则子对脑电信号进行特征提取,实验证明使用Lp（p=0.5）正则子较使用L1正则子以及L2正则子能够更好地进行脑电信号通道选择,撇弃无关通道。基于上述实验结果,本文进一步发展了有向脑网络。脑网络可以刻画大脑神经元的连通性和信息流向。本文使用格兰杰因果理论,通过估计通道间的连通性和信息流向,得到脑网络的边,同时引入基于Lp（p=0.5）正则子的稀疏化理论,删除无效连接。为了量化通道与情感直接的相关性,本文添加了情感权重到格兰杰因果脑网络分析模型之中,增强模型的特征选择能力。实验证明本文提出的基于通道相关的稀疏格兰杰因果关系分析模型较现有的算法相比,脑电信号情感分类准确率最好,准确率达到86.58%。（2）将卷积神经网络作为基础模型,对网络结构进行修改,建立一种稀疏化理论与卷积神经网络相融合的脑电信号情感识别算法。稀疏化的作用就是降维。卷积神经网络常用与图像识别等领域,现有的网络模型并不适用于脑电信号情感分类之中。脑电信号虽然比较复杂,原始数据的维度较高,但是实际上一个低维空间可以集中其有效的信息。故本文提出了基于稀疏化的卷积神经网络混合分类模型,实验表明,该模型不仅可以优化网络结构,减少参数数量,而且可以极大减少运行时间,提高分类准确度。（3）设计并实现基于EEG情感识别分析在线控制机械臂系统。将脑电信号识别分类与机器人结合在一起,通过脑电采集设备对脑电情感信号进行实时采集,然后进行情感识别分类。最后将分类后的结果转化为指令传输从而对机械臂进行控制,使其作出相应的动作。