自从支持向量机SVM概念被提出，尤其是核函数出现之后，机器学习作为人工智能的强大支撑在语音合成、股票预测、模式识别等众多领域均取得许多成果并且一直在蓬勃发展着。由于不同的核函数具有不同的映射特性，在某些复杂情况下，使用单一的核函数不能完满解决实际中遇到的分类或者回归问题。例如当样本数据中发生以下情况之一：单个样本特征中包含异构信息、样本数据规模很大、多维数据具有不规则特性或者数据转换到高维空间后分布不平坦，仅使用一个简单的核函数对所有样本进行映射是不科学的。因此具有更高的灵活性和表征能力、同时使用多个核函数进行映射的多核理论研究应用而生。　　通过播放视频片段的方式激励每个实验对象进入开心和伤心两种情感状态，通过WDECG心电设备采集并记录共10个实验对象、20个ECG心电信号原始数据和相应的情感状态。在ECG心电信号噪声的先验知识的基础上，对原始数据进行三步降噪预处理，即陷波滤波、巴特沃斯滤波和离散小波变换。再通过离散小波分解方法，采用DB7小波对ECG信号进行7层分解，直接或间接地获取每个ECG心电信号对应的特征向量（每个特征向量包含18个特征值），归一化处理之后将其用于训练和测试多核分类模型。随机选取其中的12个特征向量和相应情感状态标签作为训练集，剩余8个样本作为测试集，利用训练集中的样本点对本文设计的多核分类模型进行训练，最后通过测试集的样本点对该模型进行测试。　　实验表明，上述设计的多核分类模型在ECG心电信号情感识别应用中得到高达87.5％的分类准确率。实验证实了多核学习理论在ECG心电信号情感识别应用中的可行性和高准确率。另外，在论述的结束部分讨论了多核学习理论本身的发展前景以及多核学习理论在情感识别领域的更多可能性。