情绪是一种复杂的心理状态,它时刻影响着人类的生理和心理行为,准确地识别情绪在医疗领域有着广阔的应用前景。由于脑电信号（EEG）具有时间分辨率高、与情绪相关性强、空间分布广等特点,脑电情绪识别逐渐成为近年来的研究热点。在脑电情绪识别领域,主要使用的是机器学习方法和深度学习方法。前者由于识别准确率低、计算时间长等缺陷而逐渐被淘汰,而后者则因识别精度高、计算时间短、拟合能力强等特点而逐渐普及。考虑到这两种方法的优缺点,本文提出了节省时间和减少计算量的高效脑电信号数据预处理算法,随后基于GoogLeNet模型提出了可提取并融合时域、空间域及全局等维度特征的基线模型,最后对该模型使用注意力机制,使基线模型实现了准确率高、推理速度快的效果。本文研究内容及创新点主要如下:（1）本文结合脑电自身的时序性及脑电极放置位置的空域性对DEAP数据集使用四种预处理方法,通过实验筛选出较优的脑电信号预处理方法。实验结果表明:对脑电数据通道（脑电极--空域）使用Z-Score标准化的预处理方法最优,该预处理方法能有效减小模型计算量、提升模型的情绪识别准确率。（2）本文基于GoogLeNet模型提出了适用于脑电情绪识别的卷积神经网络模型。该模型分阶段使用了时域卷积核、空域卷积核及全局卷积核,通过使用这些卷积核,模型能够多维度提取与情绪相关的特征,最后用于情绪分类。实验结果表明:在Arousal情绪维度,GTSCeption模型的准确率比目前基于Inception改进的最佳情绪识别模型高出8.76%,Valence情绪维度的准确率最高能达到94.15%。（3）本文对在（2）中提出的基线模型引入了注意力机制。通过注意力机制探索脑电信号在时域和频域上的重要情绪信息,从而提升情绪识别准确率。实验证明,基于SE注意力机制的基线模型对准确率的提升最明显。