情感语音识别是人机交流的重要组成部分，人的语音不仅仅包含内容信息，还包含情感信息，情感语音识别是当前人工智能的重点研究方向，人的情感识别具有非常重要的现实意义。当前，在情感语音识别研究中，存在数据库获取难，模型结构、情感语音特征标准不统一，识别算法还不够精准四个问题，本文通过研究情感语音特征提取，特征学习，特征分类算法，利用深度神经网络与多级分类算法进行了深入的情感语音识别实验，主要研究工作内容：　　1.搭建了情感语音数据库，预处理然后提取了情感语音数据的特征。情感语音预处理包括端点检测，分帧，加窗，预加重。本文提取了情感语音的韵律特征，声音音质特征和频谱特征，包括能量，过零率，12阶MFCC，基频，谐波噪声比，并提取了其12个统计特征，包括最大值，均值，线性斜率等，总共提取了384维统计特征，并研究对比了不同情感特征分类能力的不同。　　2.提出了基于深度神经网络的情感语音(DBN-DNN Feature，DDF)特征学习的改进算法。通过SVM证明了改进的DDF特征学习算法的有效性。对常用4种情感语音特征提取与分类算法进行了实验研究与仿真分析，包括支持向量机(SVM)，人工神经网络(ANN)，主成分分析(PCA），深度置信网络(DBN)。研究了DBN与PCA在特征降维上的优劣。考虑到DBN是一种无监督训练，本文通过结合DBN与softmax分类器，引入标签信息进行有监督的训练，进一步提炼出情感语音特征，实验表明，DDF在情感语音识别上有优异的性能。　　3.提出了基于深度神经网络的多级分类算法。首先研究传统分类算法的不足，然后通过引入困惑度，构建多级分类器，对每一级分类器调优，得到了比传统一次分类更好的识别率。实验对比了PCA-SVM多级分类器与PCA-SVM一次分类，DDF-SVM多级分类与DDF-SVM一次分类，分类效果均得到提升，且基于DDF-SVM的多级分类算法比基于PCA-SVM的多级分类算法的识别率也有提升，证明了DDF-SVM多级分类的优异性能。　　情感语音识别具有十分重要的现实意义，本文针对情感语音特征提取，特征学习，特征分类三个方向，对本文的数据库进行离散情感语音识别，对本文提出的特征学习算法，情感分类算法做出了不同的改进，并取得了良好的效果。