脑电信号能够有效反映人的生理与心理状态,对挖掘大脑信息与规律具有重要意义。人们的情绪信息通常隐藏在脑电信号等生理信号中。音乐是一种非语言的听觉艺术形式,是大脑智力活动的产物,常被用于表达情绪。研究音乐刺激与脑电信号之间的联系、以及如何将脑电信号通过音乐的形式表达情绪是目前脑电信号的研究重点。然而,现有的基于脑电信号的情绪分析与音乐生成方法的研究尚不成熟,存在特征表征不连续等一定的局限性,因此亟需研究更有效的脑电特征提取方法与基于脑电信号的音乐生成方法。针对上述问题,本文详细分析了当前常用脑电特征提取方法存在的问题,根据当前方法存在忽略连续频率间关系的问题,提出了增强型功率谱密度特征提取方法,其是利用脑电信号频率间关系的一种特征提取方法。除此之外,本文详细分析了当前音乐生成方法存在的不足,针对现有方法中评价单一、缺少情感表达的问题,分别提出了多评价标准的音乐生成方法与基于情绪脑电的多任务音乐生成方法,通过实验验证方法的有效性。本文研究的内容和成果如下:（1）针对功率谱密度在脑电情绪分析中存在特征单一且无法有效表示频率间差异的问题,提出一种增强型功率谱密度的特征提取方法,实现对情绪的分析。通过脑电信号的α频率功率谱密度得到功率谱密度图像,提取其颜色特征、纹理特征与相似性特征,再基于相关性准则剔除冗余特征,以差异显著性P值的平均最小值为目标,获得最终的特征子集,从而有效地融合了不同图像特征,最后对被试的情绪进行分析与差异显著性判断。试验结果表明,所提出的方法在上海交通大学情绪脑电数据集与自行采集的数据表现出可行性和有效性,能够有效分析不同音乐对情绪的影响。（2）为了解决音乐生成领域的音乐评价单一问题,提出了一种基于GA+LSTM的多评价标准融合的音乐生成方法。通过学习原始情感音乐数据集中的模式来生成音乐序列,对每一段音乐序列都是通过音乐规则、音乐相似度和主观得分来评价的。利用长短期记忆神经网络,以音乐序列为输入,融合的评价值为输出,对从音乐数据集中选出的具有代表性的音乐序列进行训练,建立音乐评价模型。将评价模型的输出作为遗传算法的适应度,从而获得最优音乐。实验表明,所提出方法在音乐表达方面比其他方法具有更优的表现。此外,长短期记忆神经网络和原子搜索优化方法获得了更多更好的主观评分结果。（3）针对EEG-Music的情感表达问题,提出了一种基于情绪脑电的多任务学习音乐生成方法,该方法能够生成情感音乐。利用智能计算与神经网络构成的学习模块来扩大原始情感音乐的规模,设计了一个简单而有效的评估模块来全面评估每首音乐,探索了结合支持向量机和多任务长短期记忆神经网络的融合模型,将情感特征集成到音乐生成中,以确保情感表达。将所提出的方法与其他方法在音乐效果方面进行比较,并评估情感生成音乐和原始情感音乐之间的音乐特征。实验结果表明,所提出的方法在情感表达与乐属性方面都取得了较好的效果。