情感在人类生活中扮演着至关重要的角色。随着人工智能技术的不断发展,计算机在人机交互,个性化服务方面具有更好的技术支持。利用计算机对人的情感状态进行准确识别,是数据挖掘、脑机接口、生物信息学等多个领域的研究热点。现有情感识别相关研究可以分为以下几个方面:基于语音情感识别、基于面部表情情感识别、基于生理信号情感识别、基于动作的情感识别等。由于生理信号能够更加客观、真实的反映人的情感状态,越来越多的研究者开始进行基于生理信号的情感识别研究。现阶段此研究过程中还存在许多问题,如:对生理信号进行情感标注需要消耗大量的人力物力;生理信号的非线性、非稳定性特性给特征提取带来困难;基于生理信号的标准化情感分类模型尚未建立;缺少针对独立用户的情感分类模型等等。本文针对在生理信号的情感分类过程中特征提取和模型稳定性等相关问题展开研究,主要内容如下:(1)针对脑电信号的非线性、非平稳性特点,提出了基于脑电信号的多尺度特征情感分类方法。首先,提出基于脑电信号经验模态分解(Empirical Mode Decomposition,EMD)与自回归模型(Autoregressive Model,AR)相结合的特征提取方法。通过滤波提取出脑电信号中Alpha和Beta波段数据,经过EMD分解得到本征模态函数,进行AR系数计算形成特征集,使用支持向量机进行识别。在激活度上和愉悦度上的二分类任务中,分别得到了 87.35%和83.12%的分类准确率。其次,提出了基于脑电信号的经验小波变换(Empirical Wavelet Transform,EWT)与AR相结合的特征提取方法。得到最高分类准确率72.04%,要低于基于EMD方法得到的结果。(2)针对生理信号进行情感分类结果不稳定的问题,提出了基于多生理信号多频段的集成情感分类方法。通过对脑电信号、眼电信号和肌电信号进行Theta、Alpha、Beta和Gamma频段数据提取和Hjorth参数计算,形成4个不同的特征集:脑电特征集、脑电眼电组合特征集、脑电肌电组合特征集和脑电眼电肌电组合特征集。再通过K近邻、随机森林、决策树单一分类模型和三者集成分类模型在激活度和愉悦度上进行了情感二分类任务和情感四分类任务。结果表明,当采用脑电眼电肌电组合特征集,采取集成分类模型进行分类时得到最高的分类准确率。对于二分类任务,激活度上为94.42%,愉悦度上为94.02%。对于四分类任务,最高平均分类准确率为90.74%,并表现出很好的稳定性。