具有客观性的生理信号比如脑电信号（Electroencephalogram,EEG）、血压（Blood Pressure,BP）和呼吸带（Respiration Belt,RB）等信号包含着丰富的情感信息,基于此类生理信号的情绪识别逐渐成为情感计算领域的热点研究问题。针对脑电信号的情绪识别虽取得众多研究进展,但是此前的研究大多依赖于脑电信号的某个特定域的特征（时域或频域特征）进行情绪识别,不仅忽略了隐藏在不同域的脑电信号互补情绪信息,而且忽略了在信息融合时多生理信号之间的互补情绪信息。这类互补信息的缺失无疑会影响情绪识别模型的性能。基于此,本文提出一种基于多视图脑电信号融合其他生理信号的情绪识别模型（Deep EEG-first Multiphysiological Affect,DEMA）来解决上述问题,具体的:（1）为了提取包含更多情绪信息的脑电特征,本文提出了提取脑电信号多域特征的深度多视图卷积神经网络（Deep Multi-view Convolutional Neural Network,DMCNN）。该特征提取网络用于学习脑电信号不同域之间的独立信息,并捕获它们之间的互补信息,得到多视图脑电信号特征,以更有效地反映被试的情绪变化。（2）为了有效融合多生理信号的重要情绪信息,本文提出了用于情绪识别的以脑电为主的多生理信号融合框架（EEG-First Multi-physiological Fusion,EFMF）,其灵感来自于神经科学领域中的相关研究:脑电信号对其他生理信号有调节作用,为了探究这种调节作用背后的协调和影响机制,我们构建了情感影响矩阵（Affective Influence Matrix,AIM）并且进行了一系列探究对比实验,最终得到了EFMF模型,该模型可以很好的学到其他生理信号对脑电信号的互补信息,从而提高情绪识别的性能。（3）本文提出的方法会使用不同的生理信号组合在DEAP数据集上进行评估。实验结果表明,DEMA的准确率在效价达到97.55%,唤醒度达到97.61%,均优于现有方法。此外,本文还进行了消融实验以探究不同生理信号的组合,结果证明了脑电信号、血压和呼吸带是最佳组合。总的来说,DEMA可以合理地结合多生理信号和不同脑电域之间的互补信息,进而提高脑电情绪识别模型的性能。