语音情感识别是近年的热门研究领域之一,是人工智能、模式识别、语音信号处理与情感计算的交叉学科产物,在智能机器、人机交互、远程教学、刑事侦探、产品设计等各个方面都有着重要的应用前景。本文首先介绍了语音情感识别的基础理论、方法,介绍了最常用的语音情感特征及其提取方法,并使用基于统计学习理论的支持向量机对语音情感语料库进行分类识别,得到了较好的识别效果。随后,本文致力于通过特征选择与特征产生提高语音情感的正确识别率。特征选择能够有效的去除冗余和不相关特征,提高分类器的正确率和泛化能力。本文介绍了特征选择的现状,着重研究了前向浮动序列选择(SFFS)、ReliefF、基于遗传算法的特征选择(GAFS)这三个基本的特征选择算法在语音情感识别中的性能区别。实验结果显示GAFS具有较好的特征选择能力,能够在较短的时间内选择出具有较高识别能力的语音情感特征,有效的提高语音情感正确识别率。为了进一步压缩特征空间、提高语音情感特征识别率,本文进一步研究了特征产生在语音情感识别中的应用。特征产生是一个较新的模式识别技术,它通过将现有特征映射到新的函数空间来寻找特征之间的关系、压缩特征空间,从而获得更高的识别率。本文简要介绍了现有的特征产生算法,其中基于基因表达式编程(GEP)的特征产生是较好的特征产生算法。随后本文提出了一种结合混合蛙跳算法(SFLA)与GEP的特征产生算法,它能够有效的改善GEP算法收敛速度慢、容易收敛到局部解的缺点。本文使用由GAFS算法选择出的一组语音情感特征,应用SFLA-GEP算法进行特征产生,实验结果显示SFLA-GEP的特征产生结果优于GEP算法,基于SFLA-GEP的特征产生有效的提高了语音情感的正确识别率。本文最后对研究工作进行了总结,并指出了今后进一步的研究方向。