情绪，作为一种短暂而强烈的对外反应，影响人类的生理和心理状态，在人类生活中起着非常重要的作用。情绪识别研究受到了广泛关注，其在医疗、安全驾驶、社会安全等领域都有所应用。相较于外在的物理信号，生理信号直接由神经系统(中枢神经系统、周围神经系统)产生以及控制，人的主观意识难以对其控制，其识别结果更具客观性。因此，本文的研究内容是基于生理信号的情绪识别。
　　目前，基于生理信号的情绪识别研究存在两个局限性。(1)特征局限性：当前研究所提取的特征大多对信号分析不全面。通过针对特定任务手工构造特征或利用深度学习方法提取特征，缺乏挖掘生理信号内在的共性信息，以及没有考虑生理信号时间上下文的信息。(2)融合框架局限性：常见的特征融合和决策融合对信号信息利用不充分，影响了最终的识别准确率。
　　针对以上总结的局限性，本文进行了以下三个工作。(1)提出基于小波变换的多生理信号情绪识别算法。针对生理信号的非平稳非线性特征，采用小波变换对信号进行处理，并手工构造各类特征(统计、能量、熵特征)，最后应用支持向量机(SVM)在快乐悲伤二分类实验中达到92.68%的准确率，验证了小波特征与多信号融合的有效性。(2)提出基于门控循环单元自编码器(GRU-AE)的多生理信号情绪识别算法。利用GRU-AE学习生理信号自身在情绪变化时的时间上下文潜在共性信息，在快乐悲伤二分类实验中的准确率达到91.48%，性能较GRU分类器和AE分类器有了大幅度的提升，证明了所提GRU-AE能有效挖掘生理信号的深度信息。(3)提出基于多生理信号小波及深度特征分层融合的情绪识别算法。通过分层融合的方式，结合手工构造的小波特征和自学习的GRU-AE深度特征，有效利用生理信号内与信号间不同层次的信息，在快乐悲伤二分类实验中达到95.30%的准确率。对比不同的融合方式以及相关文献算法，本文所提算法具有更优的性能与先进性。
　　本文所提算法结合手工小波特征和深度GRU-AE特征，利用分层融合框架对生理信号进行情绪识别，有效利用了生理信号内与信号间不同层次的信息，为推动多生理信号情绪识别发展提供了一种新思路。