人类情感识别由于其在学术和工业上的重要应用而成为近几十年来研究的一个重要领域。其中,通过脑电信号来进行情感识别成为了一个研究热点。脑电信号（Electroencephalogram,EEG）作为脑神经细胞生理活动在大脑皮层的一种总体反应,常被应用在神经科学研究的各个方面。由于其可以客观准确地反映出人类情感,对于识别人的情感有着积极的作用。然而,在脑电情感识别领域始终都面临着一个挑战,就是如何提高情感分类模型的识别率和泛化能力。另外,在有关大脑网络的研究中,对神经影像数据进行模式分析的结果表明,可以在跨越皮层和皮层下区域的分布式神经系统的活动中检测到情感维度和情感类别。在本文中,我们就利用脑电信号来构建脑网络并得到脑网络的拓扑结构,从而分析不同节点间的连接及关系,通过节点间的连接差异性作为判断情绪差异性的依据。最后,结合深度学习网络算法作为一种提高脑电信号识别准确率的方法。本文的主要工作如下。首先通过设计视频刺激材料,采集了被试者的积极情绪和消极情绪脑电信号作为本文的实验数据,并对采集的脑电信号进行了预处理,用于去除脑电信号中的噪声,作为提高分类准确率的第一步。接下来,利用深度学习神经网络进行特征提取和分类。本文对预处理后的数据共构建了四种模型来进行处理,具体流程如下:第一,将预处理后的全部EEG信号分别输入基于CNN和基于LSTM的情绪分类模型中进行情绪识别,实验结果表明,基于LSTM模型的脑电信号分类准确率83.69%比基于CNN模型的脑电信号分类准确率80.05%提高了 3.6%,说明了 LSTM网络对脑电信号这种时序性特征较强的信号具有更好的效果。第二,针对卷积神经网络处理脑电信号中存在的局限性,提出并设计了卷积循环神经网络架构CNN-LSTM模型。该网络将卷积神经网络提取的脑电信号特征送入循环神经网络,充分结合两种深度学习网络的优点（自动提取脑电特征的能力和利用脑电信号的时间序列信息的能力）。实验结果表明,该算法将识别准确率提高到了 85.25%。第三,提出了通过构造脑电信号实时脑网络,用于记录信号采集过程中情绪开始和结束的变化时间,根据脑网络的变化对脑电信号进行截取,将截取下的脑电信号数据送入CNN-LSTM网络模型,我们称之为 BN-CNN-LSTM 模型（Brain network-CNN-LSTM,BN-CNN-LSTM）。实验结果表明,通过脑网络截取脑电信号,随后再送入卷积循环神经网络进行分类的方法,准确率提高到了 88.32%。综合以上的实验结果,本文中情绪识别效果最好的是BN-CNN-LSTM模型,该模型在12个被试者中平均分类准确率达到了 88.32%。说明CNN模型在信号特征提取方面有非常好的效果,并且LSTM模型可以充分学习EEG信号的时序特征,在这些基础上也证明脑网络变化对情绪产生的时刻有着参考作用。