汉字字体,是汉字最重要的属性之一,广泛存在于人们的日常生活中。汉字字体计算机审美评价模型不仅能够在汉字字体美学设计过程中辅助字体设计师,而且能够在学习汉字书法过程中给予学习者直观地审美反馈,具有重要的商业应用价值和艺术价值。现有的计算机审美评价大多围绕照片、绘画、网页和图标等图像进行,对汉字字体的审美评价研究很少。计算机图像审美评价研究一般从图像上提取视觉美学特征,然后训练分类器或回归器去拟合人类对该图像的审美评价结果,是一种图像数据驱动的客观审美评价方法,忽略了人类的审美认知的主观性和差异性。因此,本文根据人类对汉字字体的审美偏好在大脑神经活动上的差异,利用17名被试的汉字字体审美偏好脑电数据和深度学习算法探索汉字字体审美评价的分类方法,提出融合脑电多域特征的深度神经网络分类模型。本文的研究工作主要分为两部分。第一部分脑电特征提取。针对脑电的非平稳特性,本文采用连续小波变换方法提取脑电中特定频段的时频域特征。针对单纯将脑电多个域特征连接起来形成特征向量而不能充分利用电极空间信息的问题,本文将62个电极的三维空间坐标和对应时频特征映射成脑电特征图,同时保留脑电的空间和频率域特征。第二部分脑电分类模型构建。首先,根据脑电特征图的特点设计卷积神经网络（Convolutional Neural Network,CNN）分类模型结构,并分析不同频段组合和不同时间窗的特征对模型分类性能的影响。其次,针对CNN无法充分利用脑电中时间序列信息的问题,提出一种融合脑电时间、空间和频率域特征的脑电分类模型。该模型包含两个子网络:多时间窗CNNs子网络和长短期记忆单元（Long Short-Term Memory,LSTM）子网络,利用特征拼接融合策略,将侧重空间和频率信息的CNNs网络和侧重时间序列信息的LSTM网络进行融合,学习脑电的时空频融合特征,实现高精度脑电信号分类。通过对比不同时间窗组合的特征对模型分类性能的影响,验证了该方法的有效性。