随着人机交互（Human-Computer Interaction,HCI）需求的不断增加,机器能否正确分析用户的情绪状态成为交互体验的关键。因此,自动情绪识别这项具有挑战性的任务获得了众多国内外研究人员的关注。多年来,其研究方向主要集中在基于行为反应的情绪识别和基于生理信号的情绪识别。其中,脑电（Electroencephalography,EEG）信号凭借其具有较高的时间分辨率,可以提供直接的、高精度的识别方法而在情绪识别领域有着不可替代的地位。近年来,深度神经网络（Deep Neural Networks,DNNs）已被应用于基于脑电的情绪识别任务,并取得了比传统算法更好的性能。基于DNNs的方法可以分为基于特征解码器的和数据驱动的。一方面,对于第一类基于DNNs的方法来说提取更具区分性的特征是有挑战性的,并且这些手工特征可能会忽略跨通道或与时间相关的有用信息。另一方面,尽管基于DNNs的方法可以是端到端的,但是它们仍然存在超参数过多、训练数据过多的缺点。为了克服这些缺点,本文提出了一种基于深度森林的多通道脑电情绪识别方法,可以充分挖掘脑电信号时空信息,提高情绪识别的识别精度:首先考虑到基线信号的影响,对去除伪影后的原始脑电信号进行基线去除的预处理。其次,通过根据各脑电通道的空间位置进行等价矩阵的映射来构造2D帧序列,使其具有跨通道的空间信息和时间上的信息。最后,将2D帧序列输入到本文构建的分类模型中,挖掘脑电信号的时空信息,对脑电情绪进行分类。该方法除了模型参数少和不需要大量的训练数据之外,也无需手工特征提取步骤,是一种数据驱动的方法,且分类模型对超参数设置不敏感,大大降低了情绪识别任务的复杂性。为了验证本文提出方法的可行性,在DEAP和DREAMER两个公开的数据库上进行了实验,并与现有方法进行了性能对比。在DEAP数据库中,本文所提方法在效价（Valence）和唤醒（Arousal）维度的平均识别精度分别达到97.69%和97.53%;在DREAMER数据库中,本文所提方法在效价（Valence）、唤醒（Arousal）和支配（Dominance）维度平均识别精度分别达到89.03%、90.41%和89.89%。相比于现有的方法,其识别精度均有提升。本文研究能够推动基于深度学习的脑电情绪识别技术的发展。