随着近年来计算机领域内人工智能技术的飞速发展,情感计算作为人工智能发展高级阶段的产物之一也逐渐成为该领域内的重要组成部分。当人工智能聚焦于提高人机交互的亲切度和准确度,真正实现自然和谐的人机交互时,准确识别分析人类的情感即是解决问题的关键所在。因为人类情感具有复杂性,微妙性,连续性,所以诸多国内外的研究人员已经把目光转移到情感计算领域内的维度情感研究方向上。语音作为人类交互方式中最直接有效的一种,在传递信息的同时也能很好地表达出自己的情感以及相应的变化,通常借助特殊的语气助词、语调的高低变化等方式。本文从语音情感的角度出发,通过构建适用于PAD（Pleasure-displeasure Arousal-nonarousal Dominance-submissiveness,PAD）三 维情感空间的回归预测模型来探索情感维度和离散情感之间的关联性。其中涉及到一种语音情感特征与PAD预测维度相结合的级联分类方法,并在研究中通过采用网格算法和粒子群算法相结合的算法来优化SVR（Support Vector Regression）参数的方式构建了维度情感语音PAD预测模型,实验得到了较好的结果。主要工作有以下几点:（1）通过分析不同情感特征在情感维度预测过程中的效果,提取CASIA情感语音数据库中的梅尔频率倒谱系数、线性预测系数、韵律特征、共振峰频率特征四类语音特征用于情感语音识别的研究,并使用与Pearson相关系数与PCA（Principal Component Analysis,PCA）算法相结合的方法完成PAD预测时的情感特征降维。在对情感特征进行选取的过程中应用到了 PCA特征降维算法,该算法起到了消除情感特征间关联性的作用。在后续实验中证明该算法提升了对PAD维度的预测效果。（2）通过分析在PAD维度预测方向中传统SVR模型的欠缺,研究拟采用PSO（Particle Swarm Optimization,PSO）算法和网格算法相结合的SVR回归模型。利用PSO算法的全局搜索较强的特点结合网格算法局部搜索精度较高的特点来完成对SVR模型参数优化,降低了在模型参数选择时的盲目性,利用该模型预测PAD的实验结果并进行横向对比,数据结果显示优化后的实验数据有明显的改善。（3）将PCA特征降维方法与SVR模型相结合,提出了 PCA-GAPSO-SVR回归模型。利用该模型预测PAD维度,根据实验结果得出该模型较PCA-SVR和GAPSO-SVR（具有更好的预测PAD维度能力。为了进一步证明该回归模型对PAD维度预测的准确性）在预测性能上有明显的提升。设计验证该模型于PAD维度有更好的实验结果时,采用了三组情感识别分别进行实验并对比,第一组是利用直接提取的四类情感特性 MNFF（MFCC Feature,Nonlinear Feature,Fusion Feature of Prosodic Feature and Formant,MNFF）特征识别情感,第二组是分别利用由三类模型（PCA-SVR、PSO-SVR、PCA-PSO-SVR模型）实验得到的PAD维度数据直接进行情感识别,第三组则将前两组的特征组合成新的特征集进行情感识别。对三组实验的数据结果分析后可知,最后一组采用新特征集的实验有最佳识别率