为了实现人机交互的和谐环境，情感计算受到了越来越多研究者的关注。情绪识别是情感计算领域最基本、最重要的环节之一，其目的是通过用户的行为和生理反应来预测相应的情绪状态。与基于面部表情、言语、手势和姿势的方法相比，基于脑电的情绪识别更加真实可靠。当前脑电情绪识别方法需要采集被试当天的大量数据用于建立被试相关的模型，存在少量校准数据下情绪识别效果差的问题，这极大地限制了情绪脑机接口的便捷性。为了解决上述问题，本文从单模态领域自适应和多模态领域自适应两大方面展开研究，主要研究内容及贡献概括如下：

根据被试数据的情况，本文分别进行了传统情绪分类，小样本领域自适应分类和多模态领域自适应分类三种探究。主要研究内容及贡献概括如下：

（1）基于度量学习和原型选择的情绪分类及领域自适应

本文提出一种基于表示学习的两阶段的单模态领域自适应方法，首先利用深度度量学习网络，学习一个有聚类效果的特征表示空间，该空间上相同情绪样本距离更近，不同情绪样本距离更远。接着引入子集选择，根据样本之间的相似度选择出最有代表性的训练集子集作为原型。利用选择出的原型作为分类器进行情绪分类，离哪一类情绪的原型更近，就将样本预测为该类的类别。该方法可以提取出对情绪识别最有效的样本及其表征，实现了高精度的基于脑电的情绪分类，在SEED数据集的结果达到93.29%。在上述工作的基础上，本文还使用了新被试的少量带标签样本，进行了模型跨被试领域自适应的实验。

（2）基于对称正定矩阵网络的跨被试领域自适应

本文提出了一种基于差异与对抗学习联合的单模态领域自适应方法。本方法将协方差矩阵作为特征输入网络，协方差矩阵满足对称正定矩阵的形式，其组成的集合位于黎曼流形空间上。基于此理论，尝试将原型学习和黎曼度量相结合，在对称正定矩阵网络中学习每一类别的几何中心，基于此建立分类器。本文设计了质心对齐损失，该损失函数可以匹配每个类别的条件分布；还在高层的特征表示空间上使用了对抗损失，帮助领域间的边缘分布混淆。实验表明，针对情绪的三种维度，在DREAMER数据集上的结果为67.99%、76.57%和81.77%，在DEAP数据集上的结果为66.47%、69.79%和71.12%。

（3）基于多模态变分自编码器的跨时间领域自适应

本文提出了一种基于重建的多模态领域自适应方法，使用同一被试其他时段的多模态数据辅助新被试的模型训练。模型利用多模态变分自编码器的结构，对多模态情绪数据之间的关系进行建模，并在共享隐含层上训练跨时段的分类器。还增加对抗学习和循环一致性正则化部分，通过在重构层上进行各模态的领域混淆和多模态的跨领域生成，缩短了隐含表示空间中源域与目标域的距离。本方法在跨时间和跨被试两种问题上都能够有效应用，在SEED多模态数据集上的结果分别为89.64%和85.07%，在SEED-IV数据集上的结果分别为73.82%和75.52%。