语音情感识别就是对带有情感的语音信号进行预处理、特征提取和分类识别的过程。本文以提高语音情感识别的识别率为目的,对情感语音信号的特征参数进行了优化,并选取了目前较优秀的分类模型进行语音情感识别实验。主要内容如下:　　(1)介绍了语音情感识别的三大部分:预处理、特征参数和分类模型。　　(2)指出目前常用的分解情感语音信号的方法存在的弊端,引入了一种专门处理情感语音信号这类非线性、非平稳信号的方法——希尔伯特-黄变换。介绍了希尔伯特-黄变换处理非线性、非平稳信号的过程。　　(3)引入两种特征参数IMF-EIF和IMF-ED,参照其提取统计量构成特征矩阵的方法,设计了一种根据Hilbert边际谱提取统计量的特征参数IMF-BJP。　　(4)引入三种特征参数MFCC、Mid-MFCC和IMFCC,参照其Hz-Mel频率对应关系,设计了一种在整个频率区域都具有较高分辨率的特征参数C-MFCC。　　(5)根据实验运行出的MFCC、IMFCC、Mid-MFCC取得最高识别率时对应的相邻滤波器组,构成优化的特征参数G-MFCC;根据增减分量法计算出MFCC、IMFCC、Mid-MFCC每个滤波器的平均贡献率,取贡献率最高的前几阶滤波器,构成优化的特征参数H-MFCC。　　(6)将MFCC与情感语音信号各阶IMF分量结合,设计了一种新的特征参数IMF-MFCC;将H-MFCC与情感语音信号各阶IMF分量结合,设计了一种新的特征参数IMF-H-MFCC;将MFCC、IMFCC、Mid-MFCC分别与情感语音信号分解后含低频成分较多的、含高频成分较多的、含中频成分较多的IMF分量结合,设计了一种新的特征参数IMF-M-MFCC。　　(7)介绍了支持向量机的理论,将情感语音信号输入以支持向量机作为分类模型的语音情感识别系统,对本文涉及的所有特征参数进行实验,结果表明,以德语情感语音库为输入信号的前提下,MFCC、IMF-BJP、IMF-MFCC、IMF-H-MFCC取得了较好的识别率。