情感不仅反映人当下的生理心理状态,而且在人类的认知、沟通和决策能力扮演了重要的角色,是构成人类社会活动的必备条件。情感识别可以利用计算机去自动识别、理解和反映人类的情感,从而辅助于现实生活中的方方面面,例如人机交互、医疗保健、教育、游戏开发、驾驶安全等。考虑到脑电信号能为情感识别提供强大的客观性和较高的分类精度,以及脑机接口的快速发展,脑电情感识别研究是时代赋予我们的重大课题。经调研,发现现有的脑电情感识别研究虽然取得了良好的情感识别效果,但仍可在以下方面进一步完善。（1）现有的研究忽略了被标记为“积极”或“消极”情感的脑电信号可能包含中性情感信号这一事实,这表明用于情感识别的脑电数据集存在标签不匹配的数据,从而影响了情感识别模型的准确训练。（2）现有研究的网络结构缺乏充分考虑情感脑电信号特性的能力。本文将来自多个电极通道的脑电信号相关性、来自同一电极通道的脑电信号在不同频带的相关性、脑电信号的模糊性和时间连续性定义为情感脑电信号的特性,其中,模糊性是指一个情感特征并不对应于一个特定的数值,而是对应于一个数值区间。时间连续性是指情感在时间上的连续性和相关性。实际上,模糊逻辑可以有效地处理模糊性,卷积神经网络能有效地提取情感的空间信息,循环神经网络能有效地提取情感的时间信息。然而,很少有模型将模糊推理与卷积神经网络、循环神经网络相结合用于情感识别。针对以上缺陷,本文提出了一种半监督学习卷积循环模糊神经网络（Semi-supervised learning Convolution Recurrent Fuzzy Neural Network,SCFRNN）。首先,利用半监督学习机制滤除脑电数据集中的误标记脑电数据,从而优化数据集;其次,利用向量化卷积提取脑电信号通道和频带的关系,关注了脑电信号在多个通道与多个频带上的关系,提取符合大脑结构的信息;最后,将模糊推理与循环神经网络相结合用于关注脑电信号的模糊性和时间连续性,提取脑电信号有效的时间信息,以更好地理解情感。由于三种方案的合理组合,SCFRNN在上海交大情感脑电数据集（SJTU Emotion EEG Dataset,SEED）数据集上表现出有竞争力的准确率和鲁棒性。