情绪在人们的日常学习工作中发挥着重要作用，并且人类具有的情感能力是人类与当前智能机器的最大不同之处之一。不断完善的认知心理学、认知神经学和情绪认知评价理论有力的支持了人工智能领域情感机器人的研究工作。计算机和人工智能等领域的研究学者也越来越认知到让智能机器只具备逻辑运算能力是远远不够的，还应该让其具有情感能力(情绪识别和情感表达)，且能与人进行具有情感的交流。　　 本文首先介绍了智能机器人与人工情感的研究现状和研究意义，接着介绍了与本课题相关的基础知识、相关理论和技术，然后阐述了基于认知评价理论的情感模型，最后在情感认知(Affective-Cognitive，AC)模型框架中改进了基于情绪认知评价理论的情感认知决策方法并且通过改进的Q学习算法实现智能体的情感认知决策，传统Q学习算法没有考虑来自智能体自身内部对实现某种目标的内在激励只考虑来自它外部环境的奖励，而改进的Q学习算法则采用了内在激励和外部环境奖励的两种奖惩机制，同时采用BP神经网络方法来实现Q学习算法中的Q函数。　　 本文采用了AC框架模型中对情感认知决策进行网络分层的方法，即每个情感认知决策是由它的子决策和原始决策组成，且每个决策可以激活和销毁它的子决策。本文对情感认知决策进行网络分层的目的是为了解决情感认知决策中的决策维数问题，其实质就是把情感认知决策进行细分，让不同层次上的情感认知决策都有各自的目标，每个低层次情感认知决策只需在较小的状态空间内进行求解，学习到低层次情感认知决策的策略可以被高层次的情感认知决策直接调用，从而加快决策的求解速度。　　 本文设计了一个基于情绪认知评价理论且具有情感决策能力的情感智能体，它是由观察模块、情绪模块、认知模块、情绪认知决策模块和情感行为模块等模块组成。情感智能体通过观察模块来获取外界信息，然后通过情绪模块和认知模块在情感认知决策模块中得到相应的情感行为决策，最后情感智能体执行相应的情感行为，外界环境会把情感行为决策的结果再反馈给情感智能体，情感智能体会根据外界环境反馈的结果对情绪、认知和情感认知决策模块进行更新。　　 最后，利用OpenCV开源计算机视觉库和Access数据库，通过采用Ekman的面部表情编码系统在VS2010开发环境中实现了一个能够识别面部表情的情感智能体并且采用Ekman表情库中的图片对它进行训练，在仿真人机交互中证明了情感智能体初步具有情感决策能力，同时也在matlab中对改进的Q学习算法进行了验证。模拟实验的结果表明，情感智能体的情感行为反应是符合人类情感行为规律的，因此说明基于情感认知评价理论的情感认知决策方法是有效的且取得了预期的效果。