人类情感的表达方式是多种多样的。近年来,随着电子科技制造行业水平的提高和人工智能领域的不断进步,采集多种人体生理信号,以此来进行多模态情感识别已经成为了当前研究的一个热门方向。然而,由于部分生理信号不易采集,且不同人情感表达之间存在差异等原因,导致情感识别的效果较低。针对这两个问题,本文对使用眼动信号和EEG信号进行情感识别的方法展开了研究,本文主要工作如下:提出了一种基于眼动的情感识别方案,该方案采用了一种比较新颖的基于瞳孔位置的情感识别方法。该方案的瞳孔位置是从多模态生理信号情感数据库(DEAP)的面部视频中获得,主要采用了基于梯度的瞳孔位置定位算法。对于瞳孔位置数据,本文提出综合波形复杂度,通过对瞳孔位置坐标波形进行分段,将所有波形分段相关性系数的和作为特征值,并将其与Lempel-Ziv复杂度和样本熵进行比较,实验结果表明所提出的综合波形复杂度情感识别率最好,在Valence维度上识别率达到58.56%,在Arousal维度上识别率达到69.72%。提出一种基于模糊积分的眼动与EEG多模态融合情感识别方法。该方案中对于EEG信号,采用了基于情绪产生机制的电极通道选择,并对所选择电极通道的EEG信号采用微分熵作为特征值,通过LIBSVM得到EEG信号的情感识别结果。随后采用模糊积分将上一个方案中眼动情感识别结果和EEG情感识别结果进行融合。在实验中,经模糊积分后,眼动与EEG模态融合的情感识别效果在Valence维度上分类效果达到75.26%,在Arousal维度上分类效果达到78.64%。提出了一种基于Elliott波形理论和神经网络的情感识别方案。该方案基于Elliott波形理论,将瞳孔位置坐标波形进行分段,之后使用BP神经网络对瞳孔位置坐标波形进行模式识别,波形分类的结果作为知识库存储下来;随后,将瞳孔位置波形识别结果送入预测分类神经网络中,识别出波形所对应的情感。实验结果表明,在Valence维度上二分类效果达到72.5%,在Arousal维度上二分类效果达到74.24%。