情绪是人在特定的场景刺激下产生的心理和生理的协调反应,与人的心理状态和生理健康息息相关。负性情绪会严重影响工作效率与工作质量,也会干扰判断、决策等高层次认知过程。因此对情绪状态进行客观准确的识别和分析具有重要的实际应用价值。目前常用的情绪识别方法有观察表情动作法和量表自我评估法。这两种方法虽然简单有效,但都较为主观且具有滞后性。人的情绪活动受到自主神经系统和中枢神经系统的调控,以及人脑高级认知的调节,与机体生理状态的变化密切相关。生理信号的反应不受主观意念控制,可以客观反应情绪状态。因此,基于生理信号进行情绪识别研究具有非常重要的意义。论文研究了一种基于心电、脉搏和呼吸等外周生理信号识别三种情绪状态（恐惧、平静、愉悦）的方法。通过视听刺激诱发66名被试的情绪并采集三种生理信号,共获得857个有效样本。从时域、频域、非线性三个角度构建了多信号、多维度、多参数的情绪特征集。通过逐步回归法进行特征选择,针对恐惧平静、恐惧愉悦、愉悦平静三个二分类任务选取了11个有效特征,针对愉悦平静恐惧三分类任务获得了16个有效特征,并分析了有效特征和情绪状态之间的特异性关联。将有效特征作为输入,使用支持向量机和前馈神经网络构建了两种情绪识别模型,并通过贝叶斯优化法选择模型参数,优化识别效果。通过混淆矩阵、识别准确率、ROC曲线、AUC值等指标对模型性能进行评估后,发现前馈神经网络模型性能优于支持向量机,对四个分类任务分别达到了93.3%、90.8%、92.3%和81.3%的识别准确率。此外,还将本研究中的情绪识别方法应用在DEAP多模态标准情绪数据库中,对愉悦度、唤醒度、优势度三个维度的识别准确率分别达到85.4%、87.8%和84.1%。证实了本论文研究方法的可行性、可靠性和可推广性。