随着计算机技术的快速发展,人机交互技术在当今社会的应用越来越广泛。而机器的智能化一方面就体现在对于用户情感的识别,其中生理信号在情感计算领域中的地位尤为突出。当前阶段,传统的统计学习方法在情感计算方面已经做了许多研究并取得了一定成果,然而,在实验或应用中我们常常忽略了少量底层特征与情感状态之间的部分先验知识的存在。本文的主要工作就是通过增加先验知识来构建模型,从而更加准确的对用户情感进行分类。为了探究情感标签与底层特征之间先验知识的映射模式,为了从源数据集中得到准确有效的先验信息从而能正确的反应情感状态与生理信号之间的关联模式,本文设计并完成了源数据集的建立实验,以视频为诱导源的方式,邀请了被试者收集并记录了他们的四种基本情感状态下的三种生理信号包括心电信号(ECG)、皮肤电反应(GSR)、光电脉搏信号(PPG)等。在实验过程中准确的记录了被试者的视频语音信息用于对收集到的生理信号数据做标注。最后,对收集到的情感数据进行了预处理,统计学特征提取和特征融合等步骤。针对情感维度之间会在底层特征空间里存在结构化的共享性这个假设。本文提出了使用基于图模型融合L1范数方法来对每种情感标签进行迭代训练选择对每种情感标签选择最为有效的特征。使用皮尔森相关系数得到表达情感标签关系的图模型,图模型融合L1范数方法作用于源数据集,得到特征选择矩阵,然后使用迁移学习,将得到的特征选择矩阵运用的目标数据集中对每种情感进行特征选择。使用分类器对选择出的特征及其对应情感标签建模并测试。本文中使用实验室建立的生理信号数据集作为源数据集,使用DEAP数据集作为目标数据集,最后使用一系列传统机器学习算法对得到的数据进行预测。使用ACC和F1对结果评价。实验结果和其他现有方法的结果对比显示了基于图模型融合L1范数的特征选择方法对于生理信号的情感分类具有较快的收敛速度和更简单的模型复杂度。实验结果也证明了相对于单纯使用传统统计学习方法本文提出的方法对于生理信号数据有着更好的分类效果。