Bachelor Thesis from the year 2014 in the subject Electrotechnology, grade: 1,0, University of Stuttgart (Institut fur Signalverarbeitung und Systemtheorie), course: Elektrotechnik und Informationstechnik, language: English, abstract: This thesis deals with emotion recognition from speech signals using several feature sets and classifiers. Feature sets with different sizes are compared: the feature set of the Institute for Signal Processing and System Theory as well as standardised feature sets of eight paralinguistic challenges. The question is whether there is a connection between the size of a feature set and the performance. The feature sets are investigated with SFFS and without in combination with Naive Bayes classifier, k-Nearest-Neighbour classifier and Support Vector Machine. The goal of this thesis is to find those features which are selected most commonly for good performance. Diese Arbeit befasst sich mit der Erkennung von Emotionen aus Sprachsignalen. Es werden verschiedene Merkmalsatze und Klassifizierer auf ihre Leistungsfahigkeit getestet. Dabei werden Merkmalsatze mit unterschiedlichen Groessen verglichen: der Merkmalsatz vom Institut fur Signalverarbeitung und Systemtheorie sowie standardisierte Merkmalsatze von acht Wettbewerben, in denen paralinguistische Informationen erkannt werden sollten. Die Frage ist, ob es einen Zusammenhang zwischen der Groesse eines Merkmalsatzes und der Leistungsfahigkeit gibt. Die Merkmalsatze werden sowie mit auch als ohne Merkmalsauswahl (SFFS) in Kombination mit dem Naiven Bayes Klassifizierer, k-Nachste-Nachbarn Klassifizierer und einer Support Vector Machine untersucht. Das Ziel dieser Arbeit ist, die Merkmale zu finden, die bei den besten Merkmalsatzen am haufigsten ausgewahlt wurden.