随着计算机技术的迅猛发展,人机交互也逐渐受到研究者的重视。情感计算是当前新兴的课题之一,目的是赋予计算机识别、理解、表达和适应人情感的能力,使其能够感知情感,适时做出响应与并与用户进行情感交流。情感识别是情感计算研究的关键问题之一,生理信号情感识别的主要步骤中,数据采集和预处理受被试和设备的影响较大,特征提取方法和分类器的设计相对成熟,改进程度不大,而特征选择是值得我们深入考虑的问题。特征选择本质上是组合优化问题。蚁群优化算法(Ant Colony Optimization, ACO)是一种基于群智能的全局优化算法,具有编码简单、计算速度快、种群多样性好、易于理解和实现等特点,非常适合解决组合优化问题。论文以心电信号(Electrocardiography, ECG)和肌电信号(Electromyography, EMG)为研究对象,将局部搜索和变异策略引入到蚁群优化算法中,结合引入增量K的K近邻分类器(K-Nearest Neighbor, KNN)进行情感识别,获得了的较好效果。具体做了以下工作：(1)利用小波变换后R波与S波幅度绝对值之和以及R-R间隔的信息来定位QRS复合波位置,以便提取统计特征,准确率达到99.5%以上。(2)针对生理信号情感识别中的特征组合优化问题,将计算智能的思想引入到情感生理信号的特征选择中,比较了蚂蚁系统(Ant System, AS)和蚁群系统(Ant Colony System, ACS)两种算法在两组数据集合下的识别结果：将局部搜索策略和变异引入ACS用于特征选择,对高兴和悲伤两种情感分类,较大程度提高了正确识别率和算法的收敛速度；将ACS特有的伪随机比例规则引入到最大最小蚂蚁系统(MAX-MIN Ant System, MMAS)中,同样结合了局部搜索和变异策略,用于特征选择,在保证一定识别率的同时,得到有效的特征组合。以上分类器均为KNN。(3)对于实验室采集的被试处于平静、高兴、惊奇、厌恶、悲伤、愤怒和恐惧七种不同情感状态下的EMG信号,经特征提取后,用IMMAS结合Fisher分类器进行特征选择,从多种情感中识别出一种情感。从初步的实验仿真结果中,得到了一些在一定程度上能代表某种情感的特征组合。