情感计算作为人工智能领域的一个重要分支，近年来受到越来越多的关注。

它旨在使计算机能够识别、理解、表达和适应人类的情感，从而实现更自然、更智能的人机交互。

脑电信号（EEG）作为一种直接反映大脑神经活动的生理信号，被广泛应用于情感计算研究。

然而，由于个体差异和环境噪声的影响，基于EEG的情感识别面临着泛化能力不足的挑战。

迁移学习作为一种能够利用已有知识解决不同但相关领域问题的新兴机器学习方法，为提高EEG情感识别的跨个体和跨场景泛化能力提供了一种有效的解决方案。

本文综述了基于脑电信号和迁移学习的情感计算研究现状。

首先，介绍了情感计算、脑电信号、迁移学习等相关概念；其次，概述了基于脑电信号的情感识别研究现状，包括常用的特征提取方法、分类模型以及面临的挑战；接着，重点阐述了迁移学习在EEG情感识别中的应用，包括基于特征迁移、模型迁移和对抗学习等方法；最后，对未来的研究方向进行了展望。

关键词：情感计算；脑电信号；迁移学习；情感识别；特征提取；分类模型

随着人工智能技术的飞速发展，人机交互方式正在发生着深刻变革。

情感计算作为人工智能领域的一个重要分支，旨在使计算机能够识别、理解、表达和适应人类的情感，从而实现更自然、更智能的人机交互[1]。