现有的句子级对话情感分析方法,通常需要建立上下文敏感和说话人敏感模型。因为情感生成理论指出人类感知情绪不仅依赖于当前的话语,还依赖于上下文,此外,对话者的行为也会影响一个人的情感状态。虽然这些方法取得了显著的性能,但让机器分析人类对话语境中的情感仍是一项挑战,其中的关键因素是人类通常依赖常识来表达情感。因此,后续不少研究者将外部知识库融入到对话情感分析方法中,并建立了知识敏感模型。在上下文敏感模型中,之前的工作采用以LSTM和GRU为代表的循环神经网络模型,按时序对上下文话语进行建模以捕获上下文信息。然而,这些工作受限于网络的存储容量,难以传递长期的上下文信息。尽管研究人员们开始尝试利用基于注意力的多跳记忆网络来扩展网络容量,但是同时也带来了计算复杂度高的不足。在说话人敏感模型中,之前的工作利用以记忆网络和图神经网络为代表的深度网络模型,来建模说话者与自身和其他人之间的依赖关系。然而,这些工作在多方对话的情景下,无法应对多个情感分析任务相互协同的问题。在知识敏感模型中,之前的工作借助外部知识库来丰富话语的表征,以理解人类语言中所涉及的常识性知识。然而,这些工作尚处于常识机械化应用的阶段,缺乏让常识有机地融入动态对话交互过程的机制。针对上述问题,本文的研究内容如下:1)本文首先研究一种上下文敏感的情感识别方法,该方法采用了一个层次的自注意力融合（Hierarchical Self-ATtention Fusion,H-SATF）机制,以不相同的权重比去多次融合不同模态话语特征,从而突出对话情感分析任务中重要模态的特征。随后,利用时间卷积网络（Temporal Convolutional Network,TCN）来捕获当前话语的上下文信息,并且采用上下文自注意力（Contextual Self-ATtention,CSAT）网络来突出话语自身的重要特征,以平衡话语自身和话语之间的依赖关系。此外,还构造了一种多分支记忆（Multi-Branch Memory,MBM）网络来扩展时间卷积网络的存储容量,它能在更低计算复杂度的情况下,有效地传递长期的上下文信息。在多模态情感分析数据集MOSI中的实验结果显示,所提出的上下文敏感的情感识别方法相对于其他先进的方法有明显的性能提升。2)考虑到对话者的行为也会影响一个人的情感状态,和现有的说话人敏感模型在多个情感分析任务的情景下的缺陷,本文提出了一种基于多任务的图神经网络模型（Multitask Graph Neural Network,MGNN）,来协同维度情感分类任务和离散情感分类任务。该方法采用时间卷积网络来捕获当前话语的上下文信息。随后,构造了话语之间的有向图结构,并利用图卷积网络来建模说话人自身和说话人之间的上下文依赖关系。此外,还提出了一种损失权重分配策略。它能够根据任务的“难度”,来自适应地调整不同任务的损失权重。在不同数据规模和不同领域的情感分析数据集中的实验结果显示,所提出的说话人敏感的情感识别方法,在F1评价指标上,相对于其他先进的方法实现了最佳的结果。3)考虑到人类通常借助常识来表达情感,和现有的知识敏感模型在常识的整合过程中存在的不足,本文提出了一种名为Sentic GAT的知识敏感的情感识别方法来解决这些挑战。该方法采用上下文感知和情感感知的图注意力（Contextand Sentiment-Aware Graph ATtention,CSAGAT）网络,根据上下文语义和词级别的情感一致性,来进行知识选择,即:调整外部知识的权重。随后,利用对话Transformer来对当前话语的上下文进行建模,特别地,该Transformer使用层次多头自注意力（Hierarchical Multi-head Attention,MHAT）机制来解释上下文话语。此外,为了让模型在表示学习时,能对那些在情感识别过程中上下文不敏感的话语加以区分,从而进一步地增强话语表征,本文还提出了一种有监督对比学习策略,来将对话中上下文敏感和上下文不敏感的话语相互远离。在不同的情感分析数据集中的实验结果显示,所提出的知识敏感的情感识别方法,在F1评价指标上,相对于其他先进的方法实现了最佳的结果。