Para entender los estados emocionales humanos, es necesario considerar las actividades locales en diversas regiones de la corteza cerebral y las interacciones entre diferentes regiones cerebrales. Este artículo propone un modelo jerárquico de aprendizaje de características contextuales emocionales que mejora el reconocimiento de emociones basado en electroencefalografía (EEG) multicanal al aprender características espaciotemporales del EEG desde una región cerebral local hasta una región cerebral global. El método propuesto comprende un módulo de codificación a nivel cerebral regional, un módulo de codificación a nivel cerebral global y un clasificador. Primero, las señales de EEG multicanal agrupadas en nueve regiones basadas en el papel funcional del cerebro se ingresan en un módulo de codificación a nivel cerebral regional para aprender información espaciotemporal local. Posteriormente, el módulo de codificación a nivel cerebral global mejoró el rendimiento de clasificación emocional mediante la integración de información espaciotemporal local de diversas regiones cerebrales para aprender las características contextuales globales de las regiones cerebrales relacionadas con las emociones. A continuación, se aplicó una unidad recurrente bidireccional con autocomprensión de dos capas (BGRU) al módulo de nivel cerebral regional y una BGRU de una capa con autocomprensión al módulo de nivel cerebral global. Se realizaron experimentos utilizando tres conjuntos de datos para evaluar el rendimiento de reconocimiento de emociones basado en EEG del método propuesto. Los resultados demostraron que el método propuesto logra un rendimiento superior al reflejar las características de las señales de EEG multicanal mejor que los métodos de vanguardia.