随着人工智能的不断发展,由于情感信息的准确识别具有重大的实际应用价值,越来越多的研究者开始对情感识别进行研究,基于光学和声学信号进行情感识别更是最受关注的研究方向之一。如何有效识别光学和声学信号中蕴含的情感信息,已经成为目前最具挑战性的研究工作之一。近年来,物理学、心理学、神经科学等相关学科的研究已有了巨大的进步,并有效推动了情感识别技术的发展,但是由于情感识别研究存在一定难度,如情感的复杂性以及光学和声学信号研究的滞后性,相关领域还有待深入研究。本文以近年来光学和声学信号的技术发展为背景,引入希尔伯特黄变换和自组织映射神经网络算法来进行情感识别,对信号进行分类处理,得出有效的情感特征参数组合,并实现了对于情感识别算法的优化。论文的主要研究内容如下:首先,研究情感识别的背景和发展史,以及国内外研究发展的概况,阐明研究情感识别的必要性和紧迫性。分析了希尔伯特黄变换在不同领域的应用及研究,讨论将希尔伯特黄变换与自组织映射神经网络相结合,来进行情感识别研究的物理意义,同时说明本文的研究思路以及主要研究内容。探索并研究基于光学信号和声学信号相结合的情感识别。同时,研究情感语料库和相关特征参数。通过对于语料库的详细讨论,表明本文所选取语料库的价值及意义。基于本文所选取语料库的特性,分析并研究无语义的汉语语音情感。其次,研究希尔伯特黄变换的理论基础及其在光学和声学信号处理方面的应用。本文从希尔伯特黄变换算法出发,利用经验模态分解方法,分解带有不同情感的信号,得到不同的固有模态函数(Intrinsic Mode Function,IMF),并对经验模态分解后的IMF进行数据分析。根据所选取情感特征参数在情感识别时的物理意义,在提取处理各个IMF的数据结果的情况下,对基于经验模态分解所得到的特征参数进行提取和相关研究。为之后获得适合情感识别的最佳模式提供了理论依据和数据分析方法。最后,研究了基于希尔伯特黄变换和自组织映射神经网络的情感识别算法,对多组不同特征的信号进行了情感识别。通过对语料库中不同数据的处理,得出原始数据和各个IMF数据的情感识别准确率。通过对实验结果的分析,能够发现利用特定的IMF进行情感识别可以得到最佳的情感识别的结果,识别率较原始数据提高12.53%,达到72.52%。并针对特征参数进行相关实验,对特征参数进行筛选,得到了特征参数的最佳组合以及各特征参数对情感识别的影响。本文利用希尔伯特黄变换可以有效处理非线性、非平稳信号的特点,基于其信号处理的自适应特征,研究基于希尔伯特黄变换和自组织映射神经网络算法的情感识别方法,利用经验模态分解得到的各个IMF数据,得出比原始数据更高的识别率结果,有效地提高情感识别的准确率。从而证明希尔伯特黄变换对于情感识别具有重要的研究意义,为以后研究光学和声学信号结合的情感识别问题提供了重要依据。