计算机学科的快速发展对人类社会产生了巨大的影响，人类与计算机之间的通信交流越来越成为计算机系统智能化、人性化的关键技术，新型的人机交互技术正在逐步地成为研究的热点。研究表明，在人机交互中需要解决的重要问题之一是“情感智能”的能力。目前，对于情感信息处理的研究正处在起步阶段，其中语音信号中的情感信息处理也越来越受到研究者的重视。语音情感识别是“情感计算”研究的一个重要分支，近年发展迅速，前景广阔。本文首先对情感语句进行了预加重、端点检测、分帧加窗等预处理，为了提取能够反映情感信息的特征参数，统计分析了能量相关、基频相关、时长相关特征在不同情感状态下的全局特征。在已经提取的语音信号特征中，选用基音频率的一、二阶差分，短时能量的一、二阶差分，10阶LPCC和10阶MFCC形成特征矢量，并归一化作为识别阶段的输入。介绍并分析了隐马尔可夫(HMM)模型和径向基函数神经网络(RBF)两种识别方法各自的优缺点。为了达到优势互补的目的，本文提出并建立了基于HMM和RBF的混合识别模型。针对每一种语音情感，设计一个HMM模型。HMM模型训练准则采用基于ML (Maximum Likelihood)的Baum-Welch算。在训练过程中，利用每一个HMM模型对情感语音信号进行状态分割，即采用Viterbi算法得到了最优化的状态序列。然后，采用勒让德系数进行正交基函数展开，将不等长最优状态序列向转变成固定维数的规整特征。在识别阶段，将HMM的状态累计概率输入到RBF神经网络进行识别，通过RBF神经网络的非线性映射能力进行映射。RBF神经网络的决策结果作为最终的识别结果。本文语料库采用CASIA汉语语音数据库，通过MATLAB实验仿真，分别在说话人有关和说话人无关的条件下，进行混合模型和单一模型的对比，结果表明，本文提出的基于HMM和RBF的混合模型的平均识别分别达到80.45%和69.31%。最后使用多数投票方法对分类结果进行融合，融合识别率得到提高。