本文提出了一种基于新型动态图卷积神经网络（DGCNN）的多通道脑电情绪识别方法。该方法的核心思想是利用图结构对多通道脑电（EEG）特征进行建模，并基于该图模型实现情绪分类。与传统的图卷积神经网络（GCNN）方法不同，所提出的DGCNN方法能够通过神经网络训练，动态学习不同脑电通道之间的内在关联关系，并以邻接矩阵的形式进行表示，从而有助于提取更具判别性的脑电特征。随后，通过学习得到的邻接矩阵进一步优化特征表示，提升情绪识别性能。我们在SJTU情绪脑电数据集（SEED）和DREAMER数据集上开展了大量实验。实验结果表明，所提方法在多个指标上均优于现有最先进方法：在SEED数据集上，针对受试者相关实验，平均识别准确率达到90.4%；在受试者无关的交叉验证实验中，平均准确率为79.95%；在DREAMER数据集上，对愉悦度（valence）、唤醒度（arousal）和支配度（dominance）三类情绪维度的分类，平均准确率分别达到86.23%、84.54%和85.02%。