人脑在人类情感的产生过程中起到了至关重要的作用,基于脑电（Electroencephalogram,EEG）的情绪识别研究日益得到国内外学者的关注。有效挖掘大脑的功能机制为情绪识别提供了新的见解,对系统级视角下理解人脑组织的连接模式以及情绪产生的方式至关重要。认识人脑不同脑区在功能上分工与协同的规律是情绪分析的关键,然而现有的情绪识别研究在这一方面存在两个不足之处:研究者对于大脑的探究多从能量角度和全局角度出发,忽略了功能上各脑区的关联关系以及大脑局部的有效连接特征;且大脑处理情绪活动时的信息交互模式具有时变性和强连接性,目前仅对于大脑静态层面的分析无法有效反映出情绪产生时脑区之间连接的动态变化规律。本文的主要内容以及创新点旨在解决以上两个问题,具体如下:（1）基于静态脑网络分离与整合的情绪识别为了解决全局尺度上的脑网络拓扑特征不足以反映脑区之间耦合关系的问题,本文提出了基于全局和局部尺度上脑电通道信息之间相位同步关系的情绪识别方法。利用相位锁值（Phase Locking Value,PLV）度量各通道EEG的相位同步程度,描述大脑的功能连接关系。构建好PLV脑网络之后,融合功能整合与分离这两类属性以分析不同情绪的大脑连通性差异。进一步,通过社区检测构建脑网络的模块化结构以提取其更全面的局部特性进行连通性分析。研究结果表明,较积极情绪,消极情绪下脑区具有更高的相位同步性、更复杂的大脑连通模式以及更明显的模块化结构。此外,本文发现了与情绪刺激相关的关键皮层脑区作为脑网络枢纽主导情绪处理活动。通过在DEAP数据集上的验证发现,本研究的分析框架有效提高了情绪识别精度。（2）基于动态脑网络Rich-club结构的情绪识别为了解决单纯从静态层面分析EEG无法发掘大脑处理情绪活动时信息交互模式的时变性的问题,本文提出了一种情绪分析框架,通过量化不同时间窗下的相位同步关系来揭示各脑区在功能上动态协调工作的规律。大脑中存在这样的中枢区域（hubs）,它们具有高度连接和高度中心的特点,负责协调脑区之间的动态交互。本文构造了情绪相关的动态脑网络,并研究这些网络hubs的反映功能连通性的结构。该框架证明了网络hubs形成了一个被称为“rich-club”的紧密联系的组织,可以作为识别不同情绪的网络核心架构。结果表明,不同情绪所产生的动态连通模式是不同的,具体表现在rich-club组织的不同。本研究中与情绪相关的rich-club结构的发现,对研究人类情绪活动背后的大脑机制具有重要意义。