情绪是个体对外部刺激的复杂生理和心理反应，其受人格特征、社会环境等多种因素影响，在人类认知活动中发挥着基础作用。由于情绪功能障碍常被视为抑郁症的核心表现，因此实现精准的情绪识别有助于发展评估抑郁症的有效方法。脑电信号的变化反映了大脑活动，通过解码这些信号能够实现情绪识别和抑郁评估。然而，此过程面临一个重大挑战：脑电数据分布在不同个体和时间中存在变化，这种现象被称为“域偏移”。

传统深度学习方法通常需要大量有标签数据才能获得出色的分类模型，但是收集这类数据费时费力。此外，传统深度学习方法对未知数据的泛化能力较弱，微小的数据分布差异也可能导致分类性能显著下降。尽管域适应方法已被用于解决情绪识别中的域偏移问题，但在抑郁评估与分级中应用并优化域适应方法的研究仍然较少。更重要的是，由于算力的限制或隐私保护的需要，医学领域常常无法直接获取源域数据，这给域适应增加了难度。为解决这些问题，本文围绕情绪识别与抑郁评估任务和域适应方法展开研究，主要内容分为以下两个方面：

（1）针对脑电分类任务中的域偏移问题，本文提出了一种分类器驱动的隐式鉴别器无监督域适应方法。该方法有两个关键特性：首先，采用隐式域鉴别器模型设计，减少了参数数量和计算成本；其次，利用联合分类器集成多个优化目标，融合三种类型的损失，能在最小化域间差异的同时最大化预测准确性。借助这些设计，模型可以对齐特征的边缘分布，并强化类别的条件分布。该模型的情绪识别能力在公开的SEED数据集上得到了验证，其在跨个体和跨时间任务中分别达到了90.89%和92.78%的准确率。同时，模型抑郁评估方面的表现在自建的SignBrain DP数据集上得到了检验，其在跨个体抑郁程度四分类、三分类和二分类场景上分别取得了68.57%、82.50%和94.24%的准确率。实验结果显示，所提出的方法在多种任务中展现出优异的性能。此外，对频段和脑区的分析揭示了模型的决策依据，不仅印证了神经生理机制，也证实模型具备良好的可解释性，推动了脑电信号在临床应用中的发展。
（2）针对无监督域适应方法中对源域数据的依赖问题，本文提出了一种基于注意力的分类器差异无源域适应方法。该方法将训练过程分为两个阶段：预训练阶段和域适应阶段。其中预训练阶段仅使用源域数据，目标是得到在源域数据上性能良好的分类模型。域适应阶段只使用目标域数据和源域模型，通过两步训练策略交替优化分类器与特征提取器，实现源域模型到目标域的迁移。实验结果表明，所提出的方法不仅能节省资源和保护隐私，性能还超越了其他无源域适应方法，可与领先的无监督域适应方法相匹敌。在跨个体情绪识别和四分类抑郁程度分级任务中，模型在离线场景下分别取得了87.40%和64.64%的准确率，并在更真实的在线场景下分别取得了78.40%和59.26%的准确率，充分体现了其卓越的分类性能和现实应用潜力。同时，此方法还具有更快的训练速度，从而提升了用户体验。此外，通过注意力机制对不同通道的贡献进行分析，探索了仅用关键通道进行分类的可能性，为模型和设备的轻量化、小型化发展提供了参考。