目前,随着信息时代的高速发展和计算机计算能力的不断提高,人机交互的情绪识别是发展最快的研究领域之一。为了提高人机交互的效率,增强计算机识别情绪的能力是十分重要的。当前情绪识别的研究大多集中于人的面部表情、声音、文本等方面,而人体运动的情绪识别任务较少受到关注。然而,日常生活场景较为复杂,可能出现面部表情、语音等失效的情况,这时空间尺度更大的肢体动作情绪识别往往能够发挥更大的作用。现有的情绪识别数据集大多不包含肢体动作,即使少部分数据集包含肢体动作信息,又面临着仅仅通过有限个动作表达不同情绪的限制,难以对真实场景下的情绪识别任务提供指导。针对这些问题,本文将基于人体运动的情绪识别作为主要研究内容,完成了人体运动情绪数据集的构建工作,旨在对日常生活下基于肢体动作的情绪识别任务提供指导,探究无约束状态下情绪识别的方法,丰富情绪识别领域中的研究数据。本文基于拉班动作分析构建了情绪特征,最后用与图神经网络结合的方式完成了情绪识别工作。本文的主要工作包括:第一,构建了日常生活场景下的人体运动情绪数据集,极大的丰富了基于人体运动的情绪识别研究领域的数据量。数据集中人脸情绪表达几乎不可辨别,将该数据集上情绪研究的重点集中在肢体动作的情绪识别上,同时数据集提供了RGB图像、Depth图像以及动作捕捉数据,基本涵盖了描述肢体动作的主流数据格式。为了进一步扩充数据集的数据,应用了姿态估计算法来进行数据集的扩充,极大的降低了重新设计并构建数据集的成本。第二,在构建的情绪识别数据集上,本文将拉班运动分析（LMA）理论与基本情绪模型结合,利用动作捕捉数据的骨骼模态设计并计算了LMA特征信息,并对其身体、力效、空间、形体四个分量的特征向量分别进行分析,通过分类器验证了拉班运动分析各个分量和因子特征的有效性。第三,针对数据集中骨骼模态数据,利用图卷积神经网络与注意力机制结合的方式,构建了基于图卷积的情绪识别模型,并采用了分阶段识别框架,将经注意力网络选择后的拉班运动分析特征与图神经网络输出特征进行分层次融合,使情绪识别效果得到有效提升。