随着人们生活节奏的加快和生活压力的增加,心理健康状态受到了大家越来越多的关注。尽早地诊断和治疗心理疾病是保持心理健康的必要条件,而实现对人体情绪状态的准确把握,是诊断和治疗心理疾病的基础。因此情绪识别是进行心理健康研究的首要问题,同时也是研究的重点和难点。人们的情绪状态有多种表现方式,如语言、表情、动作以及各种生理信号等。其中,生理信号作为人体生理和心理活动的客观表达,不会受到文化背景、生活习惯等因素的干扰,也无法被刻意地掩饰,因而成为了一种相对准确的情绪状态判据。同时,生命系统具有多变量特征,情绪变化与各种生理参数之间存在典型的一因多果和一果多因关系,依靠单一的生理参数及其特征难以准确反映受试主体的情绪变化。因此,基于多生理信息的特征融合是实现情绪准确识别的有效方法。本论文对基于多生理信息融合的情绪识别方法进行深入研究,以心电、脉搏和呼吸三种生理信号作为研究对象,围绕生理特征的选择和分类器的设计展开一系列工作。并且,本文在详细探讨了心电、脉搏和呼吸三种信号的产生机制、采集方法、信号预处理与特征提取的基础上,提出一种基于主成分分析法与支持向量机相结合的情绪识别方法。论文的主要工作包括：1)搭建情绪激发实验环境,进行合理的情绪激发实验,同时记录被试者的心电、脉搏、呼吸信号和视频信息,再根据被试填写的问卷调查表和视频信息确定有效数据段,为情绪的判别提供有效地实验数据支持。2)采集对应情绪中的心电、脉搏和呼吸三种信号,对采集到的三种生理信号运用巴特沃斯滤波器进行预处理,应用小波变换方法对信号进行多级分层,由底层到高层识别出极值点和奇异点,并由此识别出心电、脉搏和呼吸三种信号的特征点,进而提取出信号中所包含的各种生理特征。3)提出了主成分分析法与支持向量机相结合的分类方法。应用主成分分析法对提取的原生理特征进行分析,得出六种情绪下原生理特征在主成分中的权重排序,结合支持向量机算法,以情绪识别率为评价标准,得出最佳特征子集和最佳识别率。4)通过实验数据对算法的有效性进行验证,将传统未使用特征选择的情绪识别算法、离散二进制粒子群算法与本文所提出的基于主成分分析与支持向量机相结合的分类算法进行对比,证明了该算法能够有效地应用于多生理信息融合的情绪识别,并且具有识别率高、运行时间短的特点。同时,对比分析了男女在相同情感体验中同种生理特征—心率的变化情况,为以后的情绪识别中被试的性别差异性研究提供科学依据,并对以后的情感分析提供理论支持。