实现真正意义上的人工智能需要实现计算机的“情感智能”,语音作为人类交流中传递信息的常用载体,蕴含着丰富多样的情感资源,因此,语音情感识别在人工智能的研究热潮中占据重要地位。在语音情感识别的基本框架下,对能够有效表征情感的特征参数的提取及对情感分类识别网络的建立,是决定语音情感识别模型性能的关键,也是语音情感识别核心研究内容。本文利用遗传算法对SVM分类模型进行参数优化,根据多级分类思想构建SVM模型在柏林数据库中的情感进行实验,对语料库中部分情感类别混淆度较大的问题,提出利用改进后具有全局多次优解搜索能力的蚁群算法筛选贡献度更大的特征向量实现特征降维。具体工作如下:(1)介绍语音情感识别中常用的情感模型及语料库,选择基于离散模型的纯净无噪的柏林数据库作为语料库。通过对语音数据库中的语音信号进行预处理后,主要分析、提取包括短时能量、基音频率、共振峰、MFCC及其衍生参数等重要情感特征,经过统计变量计算,构建出167维情感特征向量,完成语音信号的前端处理工作。(2)采用在高维小样本上性能优异的支持向量机作为分类器,通过研究,采用遗传算法优化的惩罚因子C和核参数σ,并以此来构造SVM分类器,同时,针对情感间的混淆度会降低情感识别的准确率,采用多级SVM结构解决较为复杂的多类情感的分类问题。(3)鉴于不同特征向量表征情感的能力不同且存在冗余和无用向量的情况,通过蚁群算法进行特征选择。采用情感识别率和情感特征向量维数的加权函数作为适应度函数,针对传统蚁群算法易陷于局部最优解和搜索停滞的现象,在参数设置进行优化处理,同时采用贪心和局部细化搜索两大策略,实现对特征向量空间模型的优雅降维,与多级SVM结合构建基于蚁群优化的多级SVM分类模型在柏林语音库上进行情感识别实验。