随着计算机网络通信技术和多媒体技术的飞速发展,新型的人机交互已成为计算机应用技术研究的重要方向,而语音的情感识别对实现人机自然交互至关重要。在心理学、生理学、神经科学和计算机技术及与之相关的模式识别技术发展的基础上,语音情感识别的研究在理论和应用上都取得了长足进步,初步建立起语音情感识别体系框架。但随着人们对情感识别应用需求的增多,现有的技术与方法已不能满足需求,特别是汉语语音情感识别的研究相对较少,这就需要加快工作步伐,填补这方面的空白。本文以人机自然交互为背景,分析了语音情感识别目前存在的问题,研究了语音情感识别中的几个关键技术,主要内容包括:(1)普通话情感语音数据库的建立。本文提出了以文本信息引导的录音法及影视资料剪辑法共采集1450句情感语音,分为愤怒、害怕、高兴、中性和悲伤5个情感类别。(2)声学特征的分析与特征参数选择。本文分析了情感语音的声学特征在不同情感状态下的静态规律以及在情感状态转变时的动态规律,提出了二阶段特征选择法。通过该方法选出了实验样本中类内距离小、类间距离大的特征子集,提高了识别率。(3)统计特征和时序特征的融合。通过矢量量化技术,将声学的统计特征和时序特征进行融合,通过实验确定了特征参数在特定情况下的最优配置。(4)基于神经网络的语音情感识别系统。本文综合前面章节的各项技术,设计并实现了普通话语音情感识别原型系统:ERSNN。本文在情感语音库的建立、情感声学特征的选择与融合以及小型的语音情感识别系统的实现等方面提出了一种新的思路和有效的解决方案,为语音情识别的进一步研究提供了可行的参考。