人工智能的迅速发展将深刻改变人类的社会生活。情感是大脑的高级活动,为了更好地服务人类,人工智能的研究要加强机器与人之间的感性化交互,强调情感计算,实现情感智能。情绪识别是情感计算中的基本问题。脑电（electroencephalogram,EEG）以其较强的客观性和较高的分类准确率成为情绪识别领域的研究热点。然而,EEG的非平稳性导致单个被试训练的模型泛化能力差。情绪EEG数据,尤其是带标签数据收集困难,通常难以获取足够多的数据直接训练一个跨被试、跨时间效果好的模型。因此,本文基于多个公开情感脑电数据库,引入迁移学习、半监督学习、无监督学习等机器学习方法,分别改进了基于EEG的域适应算法、基于伪标签法、生成对抗网络的数据增强方法等机器学习方法,进行了跨被试、跨时间的情绪识别研究。主要的研究工作包括:（1）为解决跨被试、跨时间情绪分类的问题,本文提出了最大分类器差异域对抗（maximum classifier difference for domain adversarial neural networks,MCD＿DA）方法,通过建立神经网络情感识别模型,将浅层特征提取器分别对抗域分类器和情感分类器,进而使特征提取器产生域不变表达,在实现近似联合分布适配的同时训练分类器学习任务特异性的决策边界。实验结果表明,在SEED数据集进行跨被试情绪识别时,相较于传统通用分类器58.23%的平均分类准确率,该方法的平均分类准确率为88.33%。提高了情感脑机接口在实际应用中的泛化能力。然而该方法仍无法解决缺少可用标记数据、可用标记数据导致负迁移、不同情绪间分类难度不同等问题。（2）数据增强可以有效解决数据稀少的问题,本文提出了一种使用生成对抗网络方法进行EEG情感识别的自增强最大差异域适应算法。该算法基于提出的MCD＿DA算法研究跨时间任务下数据增强的可行性,目标是学习一个跨时间域适应模型,同时利用伪标签法标记目标域数据对源域进行扩充,最终可以实现模型训练数据的自我增强。在SEED数据集的实验表明,该算法在传统分类器的基础上最多可以提升19.73%的平均准确率,可以在一定程度上缓解跨时间任务下缺少可用标记数据的问题。（3）为解决跨被试迁移模型负迁移、不同情绪分类不均的问题,提出了一种自增强联合分布自适应方法和源域优选联合分布自适应方法（burden-lightened and source-preferred joint distribution adaptation,BLSP-JDA）。这两种方法基于一种新颖的迁移思想:从适合迁移的样本中学习目标领域的特定知识,再将所学知识实践于剩余样本的迁移过程,通过这种方法降低了两个领域之间迁移的难度。BLSP-JDA中提出的校正循环可以最大程度避免负迁移并解决不同情绪分类不均的问题。在跨被试任务中,BLSP-JDA在SEED数据集上取得了93.19%±5.72%的准确率,在SEED-IV、DEAP和DREAMER数据集中同样展示出较好的性能,分类结果高于现有域适应方法,在识别精度和稳定性方面显示出优越性。