人体运动中包含大量的情感信息，是情感识别领域新的研究方向。但是目前基于人体运动进行情感识别的工作基础薄弱，大多是人工判别或者提取一些基本物理运动信息作为特征量进行机器学习，识别率不高。针对这一现状，在该领域引入具有强描述能力的特征来准确量化各类情感的运动，然后通过机器学习方法进行情感识别，提高识别效率。　　 现在常用的特征量大多为一般运动信息（速度、加速度、急动度等）的均值，没有考虑到人体运动的空间特性。那如何选取能完整描述人体运动的特征，从数学角度联想到了高斯特征，它是基于协方差特征缺少均值信息不能组成完整高斯估计而提出的，不仅包含了均值信息，还具有概率密度函数的描述空间信息的能力。因此引入高斯特征对人体运动进行描述以提高整个识别率。但是一个高斯特征对应于一个单高斯模型，在应用上高斯混合模型具有明显的强自适应性，是对单高斯模型的扩展及提升。所以在高斯特征基础上，再引入混合高斯特征以进一步实现对不同情感类别的全面描述。观察可知，所提取的特征和情感类别之间是复杂的非线性关系，因此采用机器学习方法进行有效地情感识别实验。基于不同数据集、不同核函数及不同特征组合下提取样本集的特征，进行交叉验证实验；把样本集合分为N份，每次留一份作为未知样本，共N次循环学习分类：每次给已知样本贴好情感类别标签，送入支持向量机进行学习建模；再用所得模型对未知样本进行识别分类。最终得到各个实验方案下的识别结果。　　 对实验结果从核函数的性能、特征的描述能力和推广能力等多个方面进行综合分析，验证了高斯特征和混合高斯特征具有优于现有特征的强描述能力，而且混合高斯特征的描述能力略优于高斯特征，但高斯特征具有更强的推广能力。