随着脑机接口(BCI)技术的发展,多通道脑电信号逐渐取代其他生理信号,成为情绪识别研究的主要线索,然而基于脑电信号的情感分类准确性并不稳定,这可能与接收刺激前后脑电信号的特征变化量有关。同时,随着技术发展的日新月异,以深度学习为翘楚的分类预测模型为模式识别领域注入了新的活力。基于生理信号的情感识别研究能否与深度学习相结合从而进一步提高机器识别人类情绪的能力,还需要深入的研究和探索。在本研究中,首先提出了一种基于去基线策略的特征分析方法,利用小波包变换(WPT)撷取情感视频刺激前后的差分熵(DE)变化量,提高了机器辨识个体情绪状态的能力。其实现方法是使用脑电情感数据库DEAP,将实验脑电数据平均分成15组并基于WPT提取它们的微分熵,然后计算各分离脑电信号集的特征变化量,随后结合随机森林(RF)算法,将情绪在效价-唤醒度情感模型上划分为四类,最后设计了三种去基线策略方案的对比实验,结果表明:新方法平均分类精度为87.3%,相较于其他方案高出大约25%,意味着基于新方法的WPT-RF模型大大提高了基于脑电信号的情感识别率。接下来,建立了基于深度学习的情感预测模型。在分析脑电信号多种非线性特征的基础上,设计了卷积神经网络(CNN)的模型结构,提取了信号的样本熵、差分熵和LZC复杂度,通过去基线策略特征分析方法得到了这3种特征的差值矩阵,分别训练基于上述差值矩阵的RF分类模型和SVM分类模型,用于比较CNN模型的情感识别效果。对仿真结果的分析表明:CNN预测模型对情感的识别精度最高,平均分类准确率达到92%,实现了结合深度学习进一步提升机器对人类情绪的感知能力的目标。