情绪是人类日常活动的基本要素,对人的认知行为和沟通决策有重要影响,情绪识别已经成为现代人机交互和健康监测领域的实际需求。相关研究表明,人类的认知行为和心理活动与脑电信号有着密切的关联,如何有效挖掘脑电信号中的多维情绪特征信息,使机器具备精确辨别人类情绪的能力逐渐成为计算机科学、认知神经心理学等领域的热点研究问题。机器学习特别是深度神经网络方法的广泛应用,使现有的脑电情绪识别模型效果得到了显著提高,但仍存在脑电信号特征提取较单一、网络泛化能力不强、模型结构复杂导致网络计算量大、情绪识别效果不够理想等问题。针对这些问题,本文提出一种基于Sentence-LSTM的多特征融合脑电情绪识别方法,通过设计多尺度卷积核提取脑电信号的时空特征信息,构建时空动态深层融合的情绪表征模型以实现情绪识别,并对该方法的性能进行实验验证。本文的主要工作如下:（1）设计了基于多尺度卷积的多特征融合脑电情绪识别模型。为有效提取脑电信号中的多特征信息并降低算法复杂度,根据大脑连通性重新排列采集通道顺序,并利用多尺度卷积核依次获取与通道顺序对应的脑电信号中潜在的时空特征。通过设计与脑电采样频率相关的多尺度卷积核,获取脑电时序特征信息;根据脑波活动的非对称性,设计与通道数量相关的多尺度卷积核以提取脑电信号中的空间动态信息。最后将多特征信息输入融合层,通过分类器实现了脑电信号的情绪识别。（2）构建了基于Sentence-LSTM的深层融合情绪识别模型。脑电信号在不同时间点具有复杂的内在关联,然而多尺度卷积核大多获取局部特征信息。为有效融合时序脑电信号的浅层特征和深层特征信息,引入Sentence-LSTM网络,构建深层融合表征模型。其中,单词级节点获取脑电信号的动态卷积特征,全局结点获取脑电信号的上下文全局时序信息。通过自适应的迭代,在每个循环步骤中同时建模所有特征的隐藏状态,以得到脑电信号深层的特征表征,实现脑电时序特征信息的持续更新,提高了分类的准确率。实验结果表明了该方法的可行性,并具有更高的识别准确率。（3）设计了一个脑电情绪识别实验系统。通过基于Sentence-LSTM的多特征融合方法和各类基线算法,实现对实时或非实时脑电信号中多格式数据的情绪信息识别,并可视化展示识别的结果。