目前恐高情绪分类中的生理信号主要涉及脑电、心电、皮电等,考虑到脑电在采集和处理上的局限性以及多模态信号间的融合问题,提出一种基于6种外周生理信号的动态加权决策融合算法.首先,通过虚拟现实技术诱发被试不同程度的恐高情绪,同步记录心电、脉搏、肌电、皮电、皮温和呼吸这6种外周生理信号;其次,提取信号的统计特征和事件相关特征构建恐高情感数据集;再次,根据分类性能、模态和跨模态信息提出一种动态加权决策融合算法,从而对多模态信号进行有效整合以提高识别精度.最后,将实验结果与先前相关研究进行对比,同时在开源的WESAD情感数据集进行验证.结论表明,多模态外周生理信号有助于恐高情绪分类性能的提升,提出的动态加权决策融合算法显著提升了分类性能和模型鲁棒性.