基于脑电信号(Electroencephalo-Graph,EEG)的情绪识别方法以其良好的客观性和较高的时间分辨率,是研究大脑对情绪刺激反应的首选方法。然而,由于脑电情绪特征具有明显的不稳定性,利用固定分类模型预测脑电信号对应的情绪状态变得十分困难,极大地限制了脑电情绪识别技术的实际应用。如何提升脑电情绪分类模型在源自不同个体(或时段)的样本上的泛化能力是目前脑电情绪识别领域最具有挑战性的前沿方向之一。领域适配(Domain Adaptation,DA)方法通过在不同领域间实现知识迁移,放宽了训练样本和待测样本必须满足相同概率分布的要求,是解决上述问题的有效方法。本文围绕脑电情绪识别技术的诸多特性,从特征适配和判别模型适配两个层面开展了一系列基于领域适配的脑电情绪识别方法研究,为解决跨个体(或时段)脑电情绪识别问题提供了新的方法和思路。论文完成的主要研究工作如下:首先,针对基于浅层网络的核学习领域适配方法难以挖掘脑电特征概率分布中复杂结构的问题进行研究,提出了一种基于子空间约束栈式自动编码器(Subspace Constraint Auto-encoder,SCAE)的离线脑电特征适配方法。该方法利用基于深度神经网络的领域适配技术将原始脑电特征映射到领域不变特征空间,以降低脑电特征概率分布失配造成的分类偏差。针对基于栈式自动编码器的深度神经网络在参数优化过程中由于缺乏一致性约束而有可能导致数据分布差异增加的问题,通过在无限维再生核Hilbert空间(Reproducing Kernel Hilbert Space,RKHS)最小化最大均值差异使得深度神经网络在训练过程中始终保持一致,避免了对原始特征进行非线性变换过程中可能出现的不稳定问题。通过利用变换后的脑电特征重新训练分类模型,本文方法可以有效提升跨个体(或时段)脑电情绪识别模型的准确率。实验结果表明,提出的方法能够同时利用栈式自动编码器非线性结构以及最大均值差异(Maximum Mean Discrepancy,MMD)约束条件来确保训练数据同测试数据在变换后的抽象特征空间下的概率分布更加靠近,同现有方法相比可以有效提高脑电情绪识别的准确率。其次,针对传统基于特征学习的脑电特征适配方法在核函数学习和求解本征分解问题上计算复杂度较高,无法满足脑电情绪在线监测场景需求的问题,开展在线脑电特征适配方法研究,提出了基于自适应子空间特征匹配(Adaptive Subspace Feature Matching,ASFM)的快速特征适配方法。该方法充分利用了子空间对齐(Subspace Alignment,SA)算法在解决概率分布失配问题上的计算复杂度优势,根据布雷格曼散度直接适配训练域和测试域在主成分分析下的子空间基,实现以极低的计算复杂度调整特征变换矩阵,进而根据特征空间的变化调整分类模型,提升分类准确率。进一步,针对SA算法仅考虑数据域间边缘分布适配而忽略条件分布差异的问题,引入平移缩放变换策略,旨在增加数据域间后验概率相似性,进而解决数据间条件概率分布的欠适配问题。实验结果表明,提出的方法能够联合适配数据域间的边缘概率分布和条件概率分布,同传统分类方法相比,在保证计算效率的同时具有更高的情绪识别准确率,达到了在线识别脑电情绪的目的。最后,针对已有脑电特征适配方法对训练数据分布一致性假设不严格,忽略了训练样本可能存在的多源性问题进行研究,提出了一种结合特征适配和判别模型适配的多源领域适配框架(Multi-Source Domain Adaptation,MSDA)。针对在原始特征空间显式的量化个体间的数据分布相似程度准确性不高的问题,利用特征适配方法获取隐含特征空间下的抽象公共特征以量化个体间的数据分布相似程度。进一步,考虑到训练数据个体间的潜在关联,利用基于平滑假设理论的全局权重估计法估计训练个体样本集相对于待测个体的重要程度。在此基础上,通过在目标函数中加入正则约束以拉近目标分类参数同训练数据中多个独立源分类器的线性组合之间的距离,通过求解凸优化问题实现对新的分类个体的判别模型参数适配。实验表明,本文提出的方法能够根据训练集中多个个体同待测个体之间的相似性自主的调整知识迁移过程,进而提高针对待测个体的脑电情绪识别准确率。