焦虑心境是一种无明确事件诱发而处于应激状态的持续不安体验。焦虑是具有社会适应功能的情绪,适度焦虑激发人的潜能,成为人们主动完成工作的动力。然而,过度焦虑使人们将意义模糊的环境刺激识别为威胁,持续过度忧虑不安,从而形成焦虑心境,对身心健康和正常社会功能产生危害。长期处于焦虑心境有发展为焦虑障碍的风险。从主动健康的观点出发,检测焦虑心境并及时进行自我调节或干预,是降低焦虑障碍风险的有效方法。论文从心理体验、神经生理反应及症状持续时间三方面定义了焦虑心境,采集焦虑心境与非焦虑心境人群的神经生理（包括心电和脑电）及行为反应数据,对行为反应数据进行统计分析,验证焦虑心境标签的有效性,并基于心电（Electrocardiograph,ECG）和脑电（Electroencephalography,EEG）特征以及传统分类器构建了焦虑心境识别模型。论文的具体研究内容及结果如下:（1）概念化和可操作化定义焦虑心境,并设计焦虑心境数据采集方案。结合广泛性焦虑量表和贝克焦虑量表定义焦虑心境,并依据量表得分选取焦虑心境被试与非焦虑心境被试。分别设计静息态与任务态数据采集方案。在静息态数据采集中,仅采集被试在放松静坐过程中的心电信号;在任务态数据采集中,采用“焦虑事件回忆”任务诱发应激状态,在应激状态下让被试执行“警觉判断”行为任务,收集两类人群在应激状态下的脑电、心电和认知反应行为数据（即“警觉判断”任务结果,包括反应正确率和反应时长）。（2）检验数据标签的有效性,构建焦虑心境生理数据集。对行为反应数据进行统计分析,验证以问卷得分结果（心理测量）标定心境标签的有效性。构建的焦虑心境生理数据集包括:静息态ECG数据,任务态ECG数据,以及任务态EEG数据。（3）构建焦虑心境识别模型。分别基于生理数据集中静息态ECG数据,任务态ECG数据,任务态EEG数据构建三个焦虑心境识别模型,这些模型采用机器学习方法对焦虑心境和非焦虑心境进行分类。使用独立于模型构建过程的验证数据对模型进行验证,在低维生理特征子集下分别获得了 71.43%、70.00%和69.57%的验证准确率。本文研究工作有以下三个发现:（1）不同心境人群在应激状态下的行为反应时存在显著性差异,焦虑心境组在应激状态下对中性、负性及中/负混合性图片的反应时均长于非焦虑心境组。（2）焦虑心境与非焦虑心境人群在自主神经和中枢神经系统活动方面存在特定差异。特别是在静息状态下,焦虑心境组RR间隔序列的平均涨落函数F（4）值（0.037±0.021）显著小于非焦虑心境组（0.046±0.019）,表明两类人群在自主神经反应上存在差异,为未来通过静息态RR间隔识别焦虑心境提供了良好的基础。（3）利用低维特征和常用分类器（如支持向量机和决策树）区分焦虑心境和非焦虑心境的神经生理反应数据,其准确率远高于随机猜测。