当前，承受精神压力的人越来越多，心理健康问题已成为人类面临的一项重大挑战。精神压力识别可以帮助人们及时采取有效措施，缓解精神压力，保护心理健康，具有十分重要的研究意义。过去，精神压力识别主要依赖于问卷调查、访谈和心理专家的评估。近年来，随着传感器技术的迅速发展，基于生理传感器的精神压力识别已成为心理学家和信息技术专家协同研究的一项重要课题。　　基于生理传感器的精神压力识别过程大致可划分为:特征提取、特征选择和信息融合三个阶段。首先，从生理传感器采集到的数据中提取与精神压力密切相关的特征参量;其次从这些特征参量中选取那些对精神压力识别起关键影响的特征参量，减少生理传感器数量和特征参量数目，从而提高精神压力识别的实时性和可用性;最后进行信息融合，确定精神压力强度的等级。信息融合包括特征融合和决策融合两步。第一步，对选择出来的特征参量进行特征融合，以预测精神压力强度;第二步，对基于多个特征融合算法的融合输出结果进一步做决策融合，以获取更加准确的精神压力预测结果。　　本文的工作是建立在MIT Media Lab有关驾驶过程中精神压力识别工作的基础之上的。MIT的研究共使用了5个生理传感器，提取了22个特征参量，然后使用线性判别函数(LDF)进行特征融合，以识别驾驶员的精神压力强度等级。MIT的工作在这一领域具有开创性的意义。在MIT工作的基础上，本文针对特征选择、融合等问题，开展了深入的研究与实践，以期提高研究成果的可应用性。　　为此，本文针对上述问题，重点研究特征选择、特征融合以及决策融合的方法。本文的主要学术贡献和研究结果如下:　　提出了一种基于差异性的特征选择方法(DBFS)。DBFS是建立在组合融合分析(CFA)理论的基础上，将认知差异性引入到特征选择中。在DBFS方法中，将特征参量按照传感器的不同划分成不同的分组，然后按照同一分组内的特征差异性小，不同分组间的特征差异性大的原则，进行特征参量的选取。本文将DBFS方法与另外3种特征选择方法进行比较，这3种方法包括:基于主成分的特征选择方法(PBFS)、基于信息增益的特征选择方法(IBFS)、基于混合方法的特征选择方法(HBFS)。实验结果证明，通过DBFS方法选择出来的特征集合，不仅能够有效减少特征参数数目，而且相比其它3种特征选择方法选择出来的特征集合，在特征融合阶段整体上能获得更好的精神压力识别结果。　　提出了一种新的基于组合融合分析理论(CFA)的特征融合方法——基于性能的组合融合方法(CF-P)。这种方法首先将每一个特征参量看成一个分数函数，将特征参量的数值看成分数函数产生的分数，这样多个特征参量就构成了一个多评分系统(Multiple Scoring System)。然后，按照组合融合分析理论，分别对不同的特征组合进行分数融合(Score Combination)和等级融合(Rank Combination)，将最好的组合融合输出结果作为CF-P的最终输出结果。本文将CF-P特征融合方法与5种常用的传统特征融合方法进行比较。这5种传统方法包括:C4.5决策树、朴素贝叶斯(NB)、线性判别函数(LDF)、支持向量机(SVM)、K最近邻居(kNN)。实验结果表明，本文提出的CF-P特征融合方法相比5种传统的特征融合方法，在所有特征集合上均取得了明显更好的结果。但是CF-P方法由于需要穷尽不同特征间组合的所有可能，这将导致计算量大的缺点。针对这一缺点，本文在此基础上提出了一种基于认知差异性的组合融合方法(CF-CD)。CF-CD不需要穷尽特征间所有的组合可能，而是根据不同特征间认知差异性的大小来选定待融合的特征，按照认知差异性大进行等级融合，认知差异性小进行分数融合的原则进行特征融合。CF-CD特征融合方法虽然没有CF-P的识别准确率高，但相比5种传统特征融合方法，在大多数情况下能够获得更稳定、更好的准确率，尤其是在DBFS方法选择出来的特征集合上。　　提出了一种基于概率的决策融合方法(PBDF)。该方法首先将不同的精神压力识别算法分别看成不同的分数函数，将每一个识别算法的输出结果按照统一要求转换成不同精神压力级别上的概率，并将这个概率看成该分数函数产生的分数。然后使用组合融合方法进行分数融合和等级融合。实验结果表明，基于概率的决策融合算法，相比单独的各个精神压力识别算法，能够进一步提高精神压力识别的准确率。研究结果还表明，不同识别算法之间认知差异性能够导致决策融合识别准确率的提高。　　提出了一种精神压力感知的音乐推荐融合算法。该推荐算法有效融合了一种基于隐语义模型的推荐算法（基于张量分解的推荐算法）和一种基于邻域模型的推荐算法（基于物品协同过滤的推荐算法）的输出结果，并采用梯度下降法进行参数的学习。实验结果表明，该算法相比各个单独的被融合的推荐算法，能够获得更好的推荐准确率和召回率。