在语音情感识别研究中,大量有效情感特征被提出,并在情感识别中取得较好的情感识别效果。但在情感特征的提取以及多类特征的融合过程中,情感特征集通常会含有噪声数据和冗余数据。这些数据的存在不仅增加了数据存储开销以及情感分类模型的计算成本,而且影响情感识别的准确率。为解决上述问题,需要对语音情感特征进行特征选择。目前,特征选择按子集评价方式主要有过滤式评价模型和封装式评价模型两大类。过滤式评价模型依靠各种快速评价准则选择出子集,具备快速搜索性能,但其子集的分类准确率不高。封装式评价模型直接以分类器的分类准确率作为特征评价指标,因此子集具有较高的情感识别精度。但因搜索过程与分类器紧密相关,所以子集搜索时间复杂度较高。本课题在对过滤和封装模型的优缺点分析基础上,提出过滤封装混合搜索模型用于语音情感特征的选择。依据该模型,实验构建了信息增益与和声搜索的混合特征选择算法。首先,将信息增益作为模型的过滤器部分,利用其低时间复杂度特性,快速地去除大量较为明显的噪声和冗余数据。然后,将过滤器预筛选所得子集输入到封装器中作进一步筛选。封装器由和声搜索与支持向量机组合而成,特征的评价方式采用支持向量机的十折交叉验证识别率。实验在德国柏林情感语料库与中国老人情感语料库两个库上各提取四组特征,采用本文提出的特征选择方法进行语音情感特征选择。结果表明,本文的特征选择方法能够大幅度缩减特征的维度,且具有与原始数据相当的识别效果,较单一的封装策略模型算法而言,运行时间效率提高了一倍左右。