情绪影响着人类生活的方方面面,随着计算机水平和电子设备的发展,基于人机交互的情绪识别成为了非常重要的一项研究。面部表情是情绪最直白、最形象的表达,因此情绪识别始于面部表情,然而,也因为其直白,所以也会存在假表情的情况,因此面部表情并不是客观的信号。另一方面,生理信号则较为客观,基于生理信号的情绪识别也逐渐成为情绪识别的重点研究方向。可是现有的基于生理信号的情绪识别中生理信号的采集方式大多是靠可穿戴设备或者电极等接触式的方式,这种方式不免对受试者的情绪产生影响,而通过非接触式的基于生理信号的情绪识别大多分类结果不佳。基于此,本文提出基于雷达传感器和视频传感器的非接触式情绪识别系统,从雷达传感器获取生理信号,从视频传感器获取面部表情信号,通过对两种信号的单传感器分类结果的比对判决和特征融合分类,实现了情绪的高准确率识别。本文的主要工作有:1、介绍了人脸提取方法,研究了传统的面部表情图片纹理特征提取方法中的LBP算子,提出了基于深度学习堆叠模型的面部表情分类方法,结果表明本文提出的方法比传统方法准确率提升了12.9%;2、介绍了基于生物雷达的非接触式生理信号提取的雷达工作原理。还介绍了所提取的生理信号特征。其中,研究了传统特征,并提出了基于自适应噪声的完备经验模态分解算法（CEEMDAN）和希尔伯特变换的时变特征提取;3、提出了基于面部表情和生理信号的非接触式情绪分类系统。对于生理信号,首先进行特征提取,接着采用基于随机森林的依据特征重要度的方法对生理信号特征进行特征选择之后进行情绪分类;对于面部表情信号,进行特征提取并分类。然后将生理信号的分类结果与面部表情信号的分类结果进行对比,并采用随机森林对二者的特征进行双传感器特征融合分类;4、设计情绪识别实验,采集受试者在高兴、悲伤、恐惧和平静状态下的非接触式生理信号和面部表情信号。分别对两类信号单独处理以后,得到基于面部表情信号的视频传感器结果准确率为42.2%;基于生理信号传统特征的雷达传感器准确率为67.7%。当雷达传感器中加入时变特征以后准确率提升为70.5%;在对特征进行基于随机森林的特征重要度筛选以后,准确率为72.1%。最后,对两个传感器进行情绪分类结果进行比对,当两个传感器的情绪分类结果相同时（在本实验结果中相同的比例是37.3%）,该结果作为最终情绪结果,其准确率为96.0%;当情绪分类结果不相同时（在本实验结果中不同的比例是62.7%）,通过随机森林的双传感器特征融合分类处理得到情绪分类准确率为74.2%。最终计算得到整体数据准确率为82.3%。