随着人工智能与深度学习的发展, 基于深度学习的多通道脑电信号的情绪识别研究逐渐受到关注, 但多通道脑电情绪识别信号复杂且各通道重要性一致, 并不能高效且有针对性地进行脑电情绪识别。 为此， 该文提出一种基于缩放卷积层和脑电通道增强模块的情绪识别方法, 能直接在脑电物理通道上进行增强学习。 首先， 通过缩放卷积层提取多通道脑电情绪信号的类时频特征； 然后， 通过脑电通道增强模块对所有脑电物理通道重新赋予不同的重要性； 最后， 利用卷积神经网络对情绪进行分类。 该方法能够融合多通道脑电信号的时间和频率信息, 同时, 通过输出各脑电通道的重要性, 探究不同情绪维度与脑电通道之间的关系。 在DEAP数据集上进行了实验验证, 不同脑电通道对情绪识别任务的重要性存在差异, 其中， 额叶区和枕叶区的C4、 P4、 P3、 PO4、 F7 5个脑电通道重要性相对较高, 该情绪识别方法在愉悦度、 唤醒度和支配度3个情绪维度上的识别准确率也均有提升。