情绪是人类与生俱来的属性,它可以借助表情,动作,语言反映出来,但由于受人为控制影响,都存在伪装性。脑电信号直接反映大脑的活动变化,且与情绪密切相关,无法伪装,因而利用脑电信号进行情绪识别研究有很大的前景。本文基于情绪脑电数据集DEAP,通过对脑电信号基线处理和数据增强,实现对不同情绪状态的分类。本文主要研究工作如下:（1）针对DEAP数据集中的基线数据的作用总是被忽视的问题,提出了一种基于去基线特征的脑电信号预处理算法。利用小波包变换（WPT）分离脑电信号频带,提取基线数据频带的皮尔逊相关系数（PCC）作为无情绪波动状态下的脑电特征,提取实验数据频带的皮尔逊相关系数作为带有情绪的特征,将实验数据的特征矩阵减去基线数据的特征矩阵得到脑电情绪特征的差异值,并将此差异值作为新的特征输入卷积神经网络进行分类。实验结果表明相较于舍弃基线数据而直接使用实验数据的方案,新方法WPT-PCC平均提升了3%的准确率。（2）针对情绪脑电数据不足,情绪类别样本不平衡的问题,提出了一种基于生成式对抗网络的数据增强方法。在Wasserstein GAN-gradient penalty（WGAN-GP）的基础上,加入标签信息作为生成器的输入,使其生成指定标签的数据,并引入序列后向选择（SBS）对生成的样本进行质量评估,保留识别准确率高的样本并加入训练集。通过对比其他不同的评价指标,CWGAN-GP-SBS生成的样本提升了2%的准确率,证明了所提出的CWGAN-GP-SBS方法在数据增强上的有效性。