情感识别作为情感计算领域的核心研究内容，在人机交互、医学辅助诊断及多媒体智能推荐等应用领域得到了越来越多的关注，具有重要的研究与应用价值。与面部表情、语音等外部信号以及皮肤阻抗、心率等生理信号相比，脑电信号具有时间分辨率高、不可伪装、无侵害等特点，更能客观反应被试的内部真实情感，使得基于脑电的情感识别成为了当前的一个研究热点。　　基于脑电信号的情感识别是一门跨领域的交叉研究课题，涉及机器学习、心理学及神经生理学等领域，至今远未成熟。现有研究通常采用“通道-频段-特征”的形式构造脑电特征向量，并通过单一分类器实现情感识别。然而，由于情感加工过程的脑区活动差异性、情感应激的个体差异性，以及情感脑电数据的低信噪比、不平衡、多节律等特点，使得当前基于特征融合与单一分类器的情感分类方法存在一定的局限性，情感识别精度有待进一步提高。　　本文在情感与脑机制相关研究的基础上，研发基于多分类器融合的脑电情感识别技术，并在公开的DEAP情感生理数据库上进行验证。主要工作如下:　　(1)针对脑电信号不同节律在各种情感状态识别上的作用差异性，研究基于节律的脑电情感特征提取。利用小波包变换分解与重构delta、theta、alpha、beta和gamma五个节律的脑电信号，并分别提取Hjorth参数、频带能量、微分熵、左右脑不对称性等多种时域、频域特征，构造具有高辨识度的脑电特征向量。　　(2)提出一种基于最大相关最小冗余的脑电通道选择方法。通过整合ReliefF权重表征相关性以及互信息度量冗余度的思想来构造通道选择评估函数，根据评估值排序获取相应的通道组合，并选择具有最大评估值的通道集合为最优通道集。实验结果表明，最优通道所对应的脑区主要位于额叶、两侧颞叶及小范围的枕叶，且不同性别、个体之间表现出一定的差异性。　　(3)提出一种基于多通道分类器融合(Multichannel classifiers Fusion，MCCF)的脑电情感识别方法。依据通道划分，采用支持向量机针对前一阶段遴选出的通道构建通道基分类器。在此基础上设计了一种基于权重的多分类器融合模型，通过整合多个通道基分类器的分类结果实现情感状态的识别。实验结果表明，对比基于特征融合与单一分类器的情感识别方法，MCCF的平均分类准确率达到了最高的75.39％，初步证明了基于通道划分的多分类器构建策略在脑电情感识别应用中的可行性。　　(4)为了提升MCCF中通道基分类器的差异性和个体性能以进一步改善多分类器融合模型的情感识别率，提出一种基于Bagging-ReGA-SVM(BRGS)集成特征选择的脑电情感识别模型。根据Bagging随机抽样的思想获取多个具有不同样本分布的训练子集，同时在迭代过程中加入改进的ReGA特征选择方法优化各训练子集，进而利用SVM构造多个具有较高差异性和个体精度的通道子学习器，并根据评估函数选择最优的子学习器作为通道基分类器参与最终的融合。实验结果显示，与最优的通道基分类器及其他融合模型相比，基于通道划分的BRGS集成特征选择模型的分类准确率最高达到了85.51％，而集成提高比例为0.2915，表明本文方法在提升脑电情感识别能力中的可行性与有效性。