随着社会的变革与经济的快速发展,让越来越多人因生活和工作节奏倍增而更容易产生情绪低落、对生活失去信心和悲观等负面情绪,而这些负面情绪也会导致人体代谢和精神紊乱等多种疾病的发生,大大降低人们的生活质量。所以对于情绪的研究得到了越来越多研究人员的关注,在人机交互、医疗看护和媒体娱乐等众多领域已得到了广泛的应用。相比于面部表情、语音语调等非生理信号,生理信号中的脑电信号（Electroencephalogram,EEG）对不同情绪有着更强的客观表征性,因此本课题选用EEG开展情绪辨识及情绪改善的相关研究。对于情绪辨识的研究方法主要包括机器学习和深度学习,而其中深度学习端到端的模式则有效避免了繁琐的人工提取特征环节和构建分类器过程,通过深层次的神经网络自动对数据进行特征的自编码,展现出强大的表示学习能力。但目前基于深度学习对情绪脑电信号（Emotion Electroencephalogram,EM-EEG）进行的研究刚刚起步,多数研究仅使用单一深度神经网络提取EM-EEG中的情绪特征,由于网络结构的局限性,使得自动构建的特征在特征空间的“缺维”,而特征表示不完备导致分类辨识准确率不高。针对此类问题本文提出了多种融合网络的情绪识别模型。并且在情绪识别的基础上,基于声音的“挟带原理”,针对受试者出现的负面情绪,使用脑波音乐干预负面情绪探究对负面情绪的改善效果。论文主要工作如下:（1）基于CNN-GRU时-频融合网络的EM-EEG识别方法研究本文将卷积神经网络（Convolutional Neural Network,CNN）与门控循环单元（Gated Recurrent Unit,GRU）相结合,提出CNN-GRU融合网络方法用于EM-EEG辨别研究。构建的CNN-GRU网络融合了 CNN提取的EM-EEG频域特征与GRU提取的EM-EEG时域特征,在时-频域特征空间上进行情绪状态辨识。实验结果表明:所提融合网络模型分别在SEED Ⅳ数据集、自采数据集上训练获得的辨识率为89.2%和83.76%,均能有效的对平和、悲伤、恐惧和高兴四种不同情绪进行判别,验证了该网络良好的泛化能力;而使用SEED Ⅳ数据集训练得到的模型在自采情绪数据集上的77.41%预测实验结果则验证了该网络拥有较强的鲁棒性。（2）基于CNN时-空卷积优化的EM-EEG识别方法研究所提出的CNN-GRU融合网络可以有效提取到EM-EEG的时域信息,在采集通道数目不多的情况下是简单高效的,但是也有研究表明采集EEG时电极的空间分布信息是不容忽视的,其中包含着重要的情绪特征信息。此外提取EM-EEG时域信息时选取合适长卷积核尺度的情况下,用简单的长卷积核替代GRU网络同样可以达到CNN-GRU融合网络提取时域信息的效果。因此本文提出了基于CNN的时-空卷积优化融合网络进行EM-EEG识别研究。该融合网络由提取EM-EEG时域信息的长卷积（Long-Convolution,L-Conv）CNN和提取EM-EEG空域信息CNN并联组成,在时-空优化中使用粒子群算法对时域CNN中L-Conv尺度进行优化,并使用短时功率谱的相关分析方法进行空域CNN模型通道数目优化,深层且有效地提取了 EEG的时间域和空间域特征。结果表明,提出的时-空卷积优化融合CNN在SEEDⅣ数据集上对平和、悲伤、恐惧、高兴四种情绪最终准确率可以达到90.13%,相比传统单一 CNN的识别准确率提高了 4.76%,并且通道数目由62路降低至33路,缩减了 46.77%。（3）情绪改善方法研究及改善质量评估探究了脑波音乐对情绪的改善作用和情绪改善质量。本文基于α脑波音乐的挟带原理让处于负性情绪下的受试者聆听α脑波音乐,通过α脑波音乐使受试者的情绪得到改善。研究过程主要分为情绪诱发和情绪改善。情绪诱发过程通过搭建的情绪诱发平台,让受试者观看相应的情绪视频片段来诱发负性情绪的产生;情绪改善过程则在受试者产生负性情绪之后播放α脑波音乐,并持续检测受试者的脑波变化。实验结果表明,相比于自然状态下情绪自我恢复,α脑波音乐能够在较短时间内有效地改善受试者的情绪,让受试者情绪很快趋于一个平和稳定的状态,情绪改善质量明显优于其它不加干预的情况。