情绪识别是情绪脑机接口领域的关键问题,在交通安全、人机交互、医疗健康等领域都有广泛的作用。近年来,生理信号尤其是脑电信号能够有效反应人的情绪状态,并因其难以伪装、实时差异性强、准确性高的特点,基于脑电的情绪识别已经成为了情绪识别方面主要的研究方向。但是由于脑电信号的非平稳性,不同被试个体的脑电信号在数据分布上存在差异,以至于传统的情绪识别建模方法存在泛化性和复杂度上的局限。迁移学习因其可以较好解决数据分布差异的问题而被广泛应用,然而目前的研究大多没有对数据进行有效利用。为此,本文给出了一种用于情绪识别的脑电特征迁移学习方法,并设计开发了通用情绪诱发网站平台,本文的具体工作如下:首先,介绍了基于脑电的情绪识别的研究背景和国内外研究现状,进而说明了本文的研究目的及意义;介绍了脑电信号特点及情绪模型分类,分析了情绪识别和迁移学习的基本原理。其次,为了有效提取数据间的关联信息,改进最小冗余最大相关算法从特征相似性和相关性层面对源域和目标域特征进行有效选择;为了在多源域中选择适合进行迁移的源域,给出多源域自适应选择算法,运用聚类算法从域-域差异和样本-域差异层面对多源域进行自适应选择并赋予权重;进一步在情绪脑电SEED数据集上验证所提方法的有效性。再次,将改进的最小冗余最大相关算法和多源域自适应选择算法引入传统流形空间下的分布对齐算法,给出改进的流形空间下的分布对齐算法。在保留传统算法避免特征扭曲,定量估计边缘分布和条件分布重要性的优点的同时,改进最小冗余最大相关算法剔除各源域和目标域间无效特征,并通过多源域自适应选择算法得出适合迁移的源域,再将源域权重及对应识别结果送入决策级融合模型得到情绪识别结果,使其具备较好的多源域迁移能力,同时降低了计算复杂度,并有效减少负迁移现象,提高情绪识别的准确性和鲁棒性;在情绪脑电SEED数据集上进行了实验对比分析,验证了改进的流形空间下的分布对齐算法的有效性。最后,结合现有的情绪诱发方式设计开发了用于诱发被试产生情绪状态变化的情绪诱发网站平台,包括前后端界面和功能的设计与实现,有助于提高后续研究者实验的便捷性;并通过该平台采集数据,设计实验对比分析,验证了本文开发的情绪诱发网站平台的实用性,同时再次验证了本文所提改进的流形空间下的分布对齐算法的有效性。