情绪是一个复杂的心理状态或过程，目前在科学研究领域对于情绪还没有准确的定义。情绪研究不仅对脑功能研究具有十分重要的理论意义，并且对人-机交互应用具有非常重要的现实应用价值。人-机交互是目前热门的研究课题之一。在人-机交互过程中，通过赋予计算机识别、理解、表达与适应人的情感的能力，可以使得人-机交互过程更加和谐。因此，研究情绪状态识别算法，对人的情绪状态进行识别，是人-机交互领域的一个十分重要的研究课题。脑电信号作为一种在大脑头部表面检测到的人体电生理信号，对于大脑状态的变化具有很强的表征能力，所以可以通过脑电对人的情绪状态的变化进行识别。另外，随着便携式干电极脑电采集设备的广泛应用，脑电信号的采集将会越来越便捷，基于脑电的情绪识别将会有更加广阔的应用空间。本论文将重点进行基于脑电的情绪识别方法研究，具体研究问题包括：脑电情绪特征提取算法、脑电特征平滑算法、脑电特征降维算法、鲁棒性的情绪状态分类算法以及非监督的脑电情绪状态标注等，目的是结合便携式干电极脑电采集设备，为将来开发基于脑电等生理信号的情绪识别系统提供基本方法和研究基础。　　本论文的主要贡献和创新点体现在以下几个方面：　　1.脑电情绪特征提取算法。结合情绪诱发实验，对时域、频域、时频域、非线性动力等多类脑电特征，从原理和性能两个层面进行了详细的对比分析，从而找出最有效用于情绪识别的脑电特征。最终结果显示，在上述特征中，全节律能量谱特征的情绪表征能力最强，且性能最稳定。　　2.脑电特征平滑算法。本文将特征平滑算法引入到基于脑电的情绪识别数据分析过程中，用于消除脑电数据中与情绪不相关的脑电特征。同时，结合情绪实验数据，从原理和性能两个方面，对两种平滑算法（滑动平均平滑算法与线性动力系统平滑算法）进行了对比分析。结果显示，脑电特征平滑算法能更加充分合理的利用已观测到的全部脑电数据，在一定程度上消除与情绪无关的脑电特征的影响，提高情绪识别的准确率，其中线性动力系统方法略优于滑动平均平滑算法。　　3.脑电特征降维算法。在实际实验过程中，由于提取到脑电特征的维数相对较高，不但在脑电特征之间会存在一定的关联性，而且在特征内部还存在一定的噪音，因此需要通过特征降维方法对脑电特征进行适当的降噪去冗余的处理。在本文中，分别采用了基于特征提取的特征降维方法与基于特征选择的特征降维方法对脑电特征进行了降维分析。其中基于特征提取的特征降维方法可以有效的利用全部脑电特征中的有效信息，对脑电数据进行分析，而基于特征选择的特征降维方法则可以直接选择与情绪相关度较高的脑电特征，从而可以用于对情绪相关的关键脑区进行分析。　　4.高效的情绪识别模型。针对情绪识别中的样本的特殊性，本文将加权支持向量机算法与集成支持向量机算法引入到情绪分类方法过程中。通过具体实验表明，相比于传统的支持向量机模型，这些算法能够有效的提高分类精度，从而具有较高的实用价值。　　5.基于脑电信号的情绪标注的非监督算法研究。传统的情绪识别算法通常需要人工对训练数据进行标注。这种作法的缺点是代价相对较高，且存在一定误差。因此，本文通过利用非监督算法对于脑电数据进行分析做了有效的尝试。由于脑电特征随着情绪状态的变化而变化，这种类型的算法能够直接利用脑电特征的分布规律对于脑电数据进行自动标注。由于这种类型的算法是完全自动化实现的，并且不需要训练数据集，因此该类型的算法能够有效的提高脑电情绪相关数据集的标注效率。　　最后，我们设计了一套完整的脑电情绪诱发实验方案，对大量的被试进行了相关的实验，采集了不同情绪状态下对应的脑电数据，在具体数据的支撑下，从实验结果与算法机理两个方面，对基于脑电的情绪识别过程中各个环节的不同算法进行系统对比分析，给出了各个分析环节中的推荐算法使用方案。实验结果表明，我们提出的基于脑电的情绪状态识别方法，能较准确、可靠的实现情绪识别与标注功能。