焦虑情绪是当人意识到事物将出现不良后果或面对潜在性威胁而产生的一种负面情绪。传统的焦虑情绪分析技术主要通过量表分析法与人工测评法进行,但均因须依赖人力进行测评分析而导致一定的主观偏差,且本身大多针对受测者群体整体的焦虑情绪表现及情绪变化,而对不同个体进行个人长时间焦虑情绪分析及跟踪评估的研究则相对较少。相比传统技术,基于计算机技术的焦虑情绪分析方法有高效快速的优点,但在实际应用中却受限于行为信息提取,以及行为信息与焦虑情绪的量化映射关系不清晰等难题。本文针对被测者在演讲情景下的动作表现,建立一种基于多种动作特征的演讲者焦虑度分析与评价的方法,构建多维动作特征与焦虑程度的量化映射关系,实现被测者长时间焦虑情绪分析及跟踪评估。其具体研究内容如下:（1）建立焦虑情绪程度与多维动作的量化映射关系。通过整合焦虑情绪相关的动作行为心理学资料,采用“内敛程度”与“放松程度”两种焦虑情绪评估指标,构建焦虑度连续情绪评估模型,并通过该模型针对演讲情景中被测者的16种肢体、手部动作进行焦虑度分级,建立多维动作与焦虑度的量化映射关系。（2）设计肢体动作与手部动作的智能识别算法。基于Kinect SDK工具包,编制人体骨架信息提取代码,提取肢体特征点。通过特征工程设计,获取16种肢体动作特征,并以此建立“1对1”支持向量机算法,识别与分类6种肢体动作,最终平均识别准确率达98.9%;通过二段肤色提取获取手部轮廓并设计5层卷积神经网络以识别区分度明显的7种手部动作,之后进一步分析Openpose输出的手部骨架数据,识别3种混淆度高的动作。最终,构建联立算法,实现10种手部动作的识别,平均识别准确率达98.4%。（3）整合与优化长时间四维度个性化数据流。基于Kinect SDK以及Dlib开发包,提取受测群体的身份信息后,形成包含时间信息、个体身份、肢体焦虑度、手部焦虑度四个维度的长时间个性化数据流。通过分析长时间运动信息实现自动筛选关键帧,并采用投票法进一步优化缩减数据流。验证表明,在关键帧数据丢失率在3%以下的情况下,能有效实现个性化数据流的关键帧自动提取以及优化缩减。（4）搭建测试系统与验证焦虑分析效果。在模拟演讲环境下,建立测试系统,分析演讲者焦虑度,将本文评估结果与已培训人员的焦虑度评分进行比较。实际测试表明,本方法对演讲者的焦虑情绪程度分析与人为分析的平均偏差率仅为3.36%。结果表明,基于多种动作特征建立的演讲焦虑程度分析方法具有实用性,在模拟的演讲场景中,能有效地对演讲者进行焦虑情绪程度的长时间尺度分析,并形成个性化报告。