情感计算是人机交互领域一个重要的分支，维度空间情感的研究是情感计算领域一个重要的研究方向。人类情感的表达是复杂的、微妙的，不受简单几个情感类别限制的，维度情感空间可以从理论上涵盖所有的情感状态。情感的变化是连续的、缓慢的、有规律的，受上下文影响的，基于此，本文基于Valence-Arousal(V-A)空间语音维度情感预测提出了在决策层加入了上下文相关(Context Dependent，CD)信息辅助预测，同时考虑到情感的表达是多通道的，还加入了人脸表情通道，研究了基于改进K近邻(k-Nearest Neighbor, KNN)算法的多通道维度情感预测，取得了较好的效果。具体研究内容如下:　　(1)提出基于改进Viterbi算法的上下文相关连续语音维度情感预测模型。该预测模型分为两层，第一层为使用传统分类效果较好的分类器，分别为深度学习网络(Deep NeuralNetwork，DNN)和隐马尔科夫模型(Hidden Markov Model，HMM)，其获取的每个情感级别分类结果作为下一层的输入。第二层建立一个决策层HMM模型，使用提出的改进Viterbi算法对输入序列解码，得到上下文相关的预测结果。分别使用两种模型实现两层上下文相关的情感预测:DNN-CD-HMM模型和HMM-CD-HMM模型。实验结果表明，加入上下文思想的两层预测方法优于没有考虑上下文思想的传统预测方法;DNN-CD-HMM模型的预测能力优于HMM-CD-HMM模型;对A维度的情感预测相比V维度准确率更高。　　(2)提出基于改进KNN算法的多模态连续维度情感预测方法。改进的KNN算法作为回归预测器，在训练样本二次筛选和K近邻值权重两方面进行改进，预测连续输入的情感序列在V-A空间中的变化情况。一方面实现单通道特征（语音情感通道、人脸表情通道）预测，同时实现特征融合通道的预测，两个单通道的预测结果进行融合实现模式融合预测。实验结果表明，特征融合预测效果优于单个通道预测，模式融合在预测Arousal维度时性能最优，预测Valence维度时，特征融合表现的性能最优。　　(3)采用Matlab2013a环境实现V-A空间维度情感预测原型系统的设计与开发。系统实现的功能设计主要包括特征提取阶段、预测器训练阶段、模式融合训练阶段、待测试样本的预测四大部分。在预测阶段，对输入测试集在V-A空间进行具体坐标值的预测，再判断整体的情感级别:情感兴奋度为消极、中性或积极，情感强度为弱、中或强。不仅可以实现在单通道信号条件下的V-A空间情感与测测，多通道信号输入也能实现预测目标。