情感计算主要研究让机器和设备能够认知、交互、处理以及模仿人类的一些行为。情感计算是现代科技研究中的一个重要分支。情感计算的研究能够为将来各种人工智能的应用奠定一个扎实的基础。在情感计算中,有各种各样的信号数据可供研究,包括图像、语言、生理信号等。本文主要研究基于呼吸信号(Respiratory, RSP)的情感识别。由于呼吸信号蕴含着丰富的情感状态信息,并且这些信息可能用来识别不同的情感状态。因此论文对采集到的呼吸信号在经过滤波、归一化等数据预处理后进行特征提取,并采用蚁群优化算法来进行基于呼吸信号的情感特征选择,取得了较好的识别效果。本文还提出了显著特征的概念,给出了6种不同情感对应的显著特征,同时研究了代表不同情感的最优特征子集。基于呼吸信号的情感识别过程主要包括五个步骤：采集数据、数据预处理、特征提取、特征选择、情感分类。本论文对每一步骤都做了详细介绍。本论文所做的主要工作有以下几部分：1.本实验采集了所需的呼吸信号。在实践中,采集了后续研究中所需的6种不同情感的数据。并通过归类整理,初步建立了一个呼吸信号的原始信号数据库。实验中使用一些蕴含着丰富情感的视频来诱发被试的真实情感。本研究实验全部都是本校大一学生自愿参加的。2.对采集的呼吸信号进行预处理,并且提取相关的特征(包括统计特征以及小波特征)。实验对采集到的原始呼吸信号数据进行了各种数据预处理操作,主要包括去噪、滤波、归一化等。前期研究中发现只有统计特征的情况下对情感识别效果不是很好,所以增加提取了小波特征。实验最后总共提取了171个特征,包括87个统计特征和84个小波特征。3.运用蚁群算法(Ant Colony Optimization, ACO)进行特征选择。蚁群算法是一个新兴的现代智能算法,应用广泛,可以很好地用来解决一些离散组合优化问题。本文对基本蚁群算法做了一些改进并用到基于呼吸信号的情感识别中。具体改进是将局部搜索和变异策略引入到蚁群优化算法中,结合Fisher分类器进行情感识别,不仅获得了的较好效果,并且提供了识别情感状态的有效特征子集。