情绪在人类的日常生活中尤为重要,其对外界变化激烈且快速的反应可以直接影响个体的心理及生理状态。由于计算机科学的迅速发展以及所需市场的扩张,情绪状态的识别逐渐成为了当今社会的研究热点,在很多个领域都具有十分广阔的应用前景和落地场景。由于生理信号直接由神经系统产生以及控制,近年来被当作可以较准确判断情绪状态的依据,对此的研究也逐渐发展。但与此同时,生理信号必须有专业设备采集和测试这一要求在空间性上的要求和便利性上的局限也逐渐浮现。随着近些年来手环等可穿戴式设备的逐步普及,可穿戴式设备上可以附着的便携、可靠、实用的新功能也不断增加。在此背景下,本文提出了一种面向可穿戴式设备基于相应生理信号特征的情绪识别方案。首先,从国内外学术界对情绪的定义和分类的不同讨论出发,分析本文所面对的问题并确定了选用的情绪分类模型,同时考虑已有的可穿戴式设备的硬件条件与生理信号的具体特性,确定了本文选用的参与情绪识别的生理信号,即皮肤电信号与脉搏信号。其次,重点设计了用于自建情感数据库的情绪诱发方案,其中,数据采集工具为已有的可穿戴式设备,情绪诱发材料从中国情绪图片库和国际情绪声音库中进行筛选和后续处理。材料会激发被试人员正性、负性、中性和偏负性四种不同的情绪状态。实验人员通过E-prime心理学实验操作软件辅助操作,完成了20名志愿者的皮肤电信号以及脉搏信号的数据采集,并且对所得的生理信号针对性地采用小波变换或平滑滤波等方法进行预处理、标准化处理以及时序和频域特征的提取,形成了干净有效的自建情绪数据库。再次,根据情绪生理信号的小样本数据特点确定了分类识别模型的选择,即支持向量机（SVM）。针对生理信号的非线性特点选择采用引入核函数的方法,设计出一种基于径向基高斯核函数的SVM情绪识别模型对的生理信号进行特征分类。并经过多种参数寻优方法的对比提出了采用网格搜索法确定模型核函数中重要的惩罚因子和核参数。最后,对学术界的常用的DEAP情绪数据集和自建数据库分别进行了该SVM情绪识别模型的应用和效果分析。其中,从DEAP数据集的分类结果可以发现多生理信号配合的平均识别准确率为70%,明显优于单皮肤电信号的54%和单脉搏信号的58%。而将情绪识别模型应用于自建数据库后平均识别准确率可以达到63%,证明了该模型的可行性。同时,基于该情绪识别模型构建出可以应用在可穿戴式设备上的决策边界函数并还原测试了识别效果。其中测试效果最好的被测试者准确率为64%,效果最差的也可以达到59%,证明了本文面向可穿戴式设备基于相应生理信号特征的情绪识别方案的可行性。