在心理临床医学领域,情绪问题已经成为危害人类身心健康和生命的最大起因之一。21世纪以来,心理临床医学逐渐开始朝着融合大数据、人工智能、机器学习等的方向发展,而情绪识别是心理临床医学领域的关键因素。随着计算机设备以及可穿戴设备的普及,基于ECG（心电信号）以及PPG（脑电信号）的情绪识别再次受到广泛关注。目前,常用的方法都是使用单一信号源进行识别,不足之处是特征表达不理想、信息缺失,并且时域信号的人工特征具有冗余性的问题。本论文“基于ECG和PPG融合的情绪识别及分类的系统研究”是作者在中科院所属的北京中科领睿创新基地实施的一个项目。在中科院先前项目的基础上,本文提出了一种基于ECG与PPG融合的小波时频识别算法（以下简称“算法”）,该算法采用数据级融合的方式得到融合后的信号,然后对融合后的信号利用小波包提取时频图像并保存,随后利用深度神经网络中的Google Net迁移学习训练该时频图像完成情绪识别任务。该方法融合ECG和PPG两种信号,得到的时频图像比较时域和频域而言更能体现信号的本质属性,通过深度学习自学习得到的特征拥有较少的冗余信息,提高识别率增强泛化性能。本论文研究了基于不同个体观看不同视频片段时的情绪波动数据,通过接收到的ECG与PPG信号数据进行识别,进而判断受试者当前的情绪状态。为判别本文算法的有效性与可靠性,分别与QPSO-BP、SVM算法以及单独的ECG信号对比,对比结果采用混淆矩阵进行性能评价,最后在验证集进行验证。对比的结果为QPSO-BP最佳精度为91.2%,SVM最佳分类精度为93.6%,单一ECG分类精度为90.8%,本文所使用的softmax函数训练分类器的分类精度为96.8%。证明本文提出的算法在精度上优于传统单一的算法,具有一定的优越性和有效性。