随着社会的不断发展与进步,人们的关注点逐渐从生理需要转变到了心理需要,越来越多的人关注自己的身心健康和精神状况。在这样的情况下,由于其市场的需要性以及计算机科学的迅速发展,情绪识别受到了人们的广泛关注,成为了当今社会的研究热点,在医疗健康、线上教育、远程交互等多个领域都具有十分广阔的应用前景和落地场景。目前的情绪识别技术主要分为四个方向:基于面部表情/语音、人体行为、生理信号、语言文本。普遍来讲,这些领域的情绪识别都需要用户主动地输入相关信息,用户参与度很高且并不便捷。与此同时,移动智能手机快速发展,普通的智能手机上也搭载了许多的传感器设备,能够在用户无参与式的情况下自动采集人及周围环境的相关信息。本文结合移动感知技术的优势以及情绪识别的相关机器学习算法,设计并且实现了一套基于安卓手机移动端的情绪识别框架流程方法,与传统的单一机器学习算法对比,准确率有显著的提高。首先,本文设计的情绪识别算法本质上是一种多分类器集成算法,通过将经典的机器学习分类器进行集成从而得到更优的结果。在将传感器信息经过数据预处理后,得到合理的特征向量,输入到多分类器集成情绪识别算法中进行预测。传统多分类器集成算法的主要问题在于如何选择基分类器以及采用何种组合策略。为了解决这些问题,本文的创新性和主要工作如下:在基分类器的构造上,采用多样性策略增加其多样互补性;在基分类器的选择上,利用轮廓系数与聚类算法相结合,以此确定待融合分类器的数量,并采用不一致度量方法评价其差异性;在组合策略上,借鉴贝叶斯思想,基于其先验概率和类条件概率动态自适应学习基分类器的权重。其次,本文基于上述算法,对安卓手机移动端上的情绪识别系统进行了设计与实现,包括需求分析,架构设计以及最终的具体实现细节。通过该系统可以得到算法的训练数据,并与用户进行交互,真正地让“根据移动设备数据对用户进行情绪识别”这一需求变为了现实。在论文的最后,对本文提出的情绪识别算法与设计的系统分别进行了测试与分析,展示测试结果,总结其优势与不足,并且为以后的研究方向及工作进行了展望。