域自适应算法被广泛应用于跨库语音情感识别中；然而，许多域自适应算法在追求减小域差异的同时，丧失了目标域样本的鉴别性，导致其以高密度的形式存在于模型决策边界处，降低了模型的性能。基于此，提出一种基于决策边界优化域自适应（DBODA）的跨库语音情感识别方法。首先利用卷积神经网络进行特征处理，随后将特征送入最大化核范数及均值差异（MNMD）模块，在减小域间差异的同时，最大化目标域情感预测概率矩阵的核范数，从而提升目标域样本的鉴别性并优化决策边界。在以Berlin、eNTERFACE和CASIA语音库为基准库设立的六组跨库实验中，所提方法的平均识别精度领先于其他算法1.68~11.01个百分点，说明所提模型有效降低了决策边界的样本密度，提升了预测的准确性。
