随着人工智能的发展,人机交互逐渐成为人们生活的一部分。情绪识别作为提升人机交互体验最关键的一部分,逐渐成为国内外学者的研究热点。在用于情绪识别的多种信号中,语音信号、视频信号和面部表情虽然直观但却具有可伪装性,对情绪识别的正确率有一定的影响。而脑电信号、心电信号和皮肤电信号等生物电信号凭借不可伪装的优势,逐渐引起了研究人员的重视。通过对比和实验分析,本文选取和情绪相关性较强的三种信号作为情绪识别的载体,分别为脑电信号、皮肤电信号和心电信号。单模态情绪识别方法中,针对脑电信号维数高、处理耗时的问题,将稀疏判别矩阵算法引入脑电信号的去冗余处理中,用邻接矩阵表示不同脑电图通道之间的内在联系,提取脑电信号的判别性特征,构建权重通道模型。针对现有脑电信号情绪识别模型泛化性能低的问题。将Inception-Res NetV2网络引入到脑电信号情绪识别中并对其改进以适应脑电信号的情绪分类。针对心电信号个体差异大的问题,将自监督学习的方法引入到心电信号的情绪识别中,通过构造辅助任务从无监督数据中挖掘自身的监督信息,构造伪标签,降低个体差异对情绪识别的影响。本文还提取了三种生物电信号的传统特征,并利用随机森林算法对提取的特征进行筛选,最后使用支持向量机对筛选的特征进行分类。实验证明,改进Inception-Res Net-V2网络的方法和自监督学习的方法,在单一数据集和跨数据集上的情绪识别准确率均高于传统方法。在单模态生物电信号情绪识别的研究中,特征信息不足会影响情绪识别的准确率,因此对多模态生物电信号情绪识别的方法进行了研究。多模态生物电信号情绪识别的研究可以分为特征层融合和决策层融合两个方面。在特征层融合的研究中,采用基于超维计算的HDC-FFM（HD Computing based Feature Fusion Method）方法,通过HD向量对三种不同生物电信号的特征进行表示和融合,减少特征融合后产生的特征冗余,提高情绪识别的准确率。在决策层融合的研究中,对线性加权融合进行改进引入反馈矩阵,省去了对权值进行枚举的过程。实验证明,两种多模态信息融合的方法均较单一模态情绪识别的方法有所提升。