随着人类科学和信息技术的发展，计算机与人类的生活越来越紧密，新型人机交互技术逐渐成为研究热点，语音情感识别作为一种提高计算机智能化、人性化水平的新技术具有重要研究价值和应用前景。情感特征的提取是语音情感识别的重要方面。针对目前大多数的语音情感特征不能有效体现语音情感特性，情感识别率不高的问题，本文从信号分析方法入手，将Hilbert-Huang变换引入语音信号处理，先对Hilbert-Huang变换中存在的一些问题进行了改进，然后基于Hilbert边际能量谱提取了一组新的情感特征用于语音情感识别。具体内容如下：（1）本文首先对常用的传统声学特征进行了提取，分析了高兴、愤怒、悲伤、平静、厌倦五种情感状态下，语音信号的韵律特征（基频、短时能量、过零率）及频谱特征（MEL频率倒谱系数、线性预测倒谱系数）的情感特性。（2）将Hilbert-Huang变换用于语音信号的处理，首先，对Hilbert-Huang变换中主要影响信号频谱分析的缺点进行了改进，对于影响频谱分析的模态混叠问题，引入总体平均经验模态分解（EEMD）方法进行改进，而对于固有模态函数中伪分量的剔除问题，使用了一种基于能量分析的新方法；然后，通过对不同情感语音的Hilbert边际能量谱的比较分析，提取了一组新的情感特征:Mel频率边际能量系数(MFEC)、Mel频率子带频谱质心(MSSC)、Mel频率子带频谱平坦度(MSSF)，总称为Hilbert边际能量谱特征。（3）本文采用支持向量机（Support Vector Machine，简称SVM）对语音情感进行识别，首先通过对比实验验证了Hilbert边际能量谱特征的有效性，然后将基于频域的全局Hilbert边际能量谱特征与局部短时韵律特征做了融合识别，实验结果表明，将HHT用于情感语音的处理提取的特征具有较好的识别效果，将全局Hilbert边际能量谱特征与局部短时韵律特征相融合，有助于情感识别率的进一步提高。