情感是人类在某种特定环境下基于其主观经验对事物的一种生理和心理反应,由大脑各个脑区相互协调共同负责加工处理。目前,情感识别、情感计算和情感认知已经成为信息科学、脑科学、人工智能等多学科交叉研究热点。脑电（electroencephalogram,EEG）信号因其具有非侵入性、实时差异性和不易伪装性等优点现已成为情感识别中重要的研究方法。基于EEG信号情感研究仍需进一步探索,比如,在情感加工处理过程中大脑存在偏侧化现象;大多数研究往往基于单通道EEG信号时频域信息,忽略了EEG信号固有空间信息。本文构建不同情感左右半脑脑网络并基于图论理论分析大脑加工处理情感时存在的偏侧化现象,创新性地将传统脑电特征与脑网络属性进行融合,提出一种情感识别模型并取得了较好的情感识别效果。本文主要的研究工作如下:（1）构建不同情感左右半脑功能脑网络,从脑网络角度探索大脑加工处理情感偏侧化机制。首先,对EEG信号进行预处理,包括去除眼电、划分频段等。接着基于各频段EEG信号,以脑电通道为节点并使用能有效减弱容积传导效应的相位滞后指数度量节点间的关联强度,构建高唤醒高愉悦（high arousal high valence,HAHV）、高唤醒低愉悦（high arousal low valence,HALV）、低唤醒高愉悦（low arousal high valence,LAHV）和低唤醒低愉悦(（low arousal low valence,LALV）四种不同情感时左右半脑功能脑网络。基于图论理论计算聚类系数、特征路径长度、全局效率、局部效率和小世界属性等网络拓扑属性,定量分析不同情感时左右半脑功能脑网络拓扑差异。实验结果表明在gamma频段,被试处于HAHV情感状态时左半脑激活程度较高,而处于HALV情感状态时右半脑激活程度较高。本文从脑网络角度再次证实左右半脑分别负责不同类型情感的加工处理。（2）不同特征对情感表征能力具有互补性,本文提出一种将传统脑电特征与脑网络属性融合并转化为三通道EEG图像的方法。传统脑电分析方法往往忽略EEG信号固有的空间信息,本文利用等距方位投影将三维电极坐标投影到二维平面,获取电极二维信息后采用双三次插值法将传统脑电特征转化三通道图像,有效地保留了EEG信号的空间信息。借鉴上述方法,利用聚类系数、局部效率、节点效率三种脑网络属性构建三通道图像。将两种具有互补性特征的图像融合后输入到情感识别模型中,有效提取脑电信号空间信息,提高了情感识别效果。（3）提出一种将卷积神经网络（convolutional neural network,CNN）与双向长短时记忆网络（bidirectional long term and short term memory network,BLSTM）融合的CNNBLSTM情感识别模型,能够有效地提取脑电信号的时域、频域和空间信息用于情感识别。在DEAP数据集上唤醒度的识别准确率达到91%,愉悦度的识别准确率达到87%,相较于同类研究识别准确率有明显提升,验证了本文所提出模型的有效性。