随着5G商用平民化以及计算机互联网产业的飞速发展,抖音、快手等短视频平台以及微博、微信等社交平台发展迅速,社交媒体上产生了大量带有文本描述的短视频内容。针对大量的短视频数据进行分析,有助于获得用户对于人物、事件、产品的观点看法。因此,对标注短视频的情感极性进行分析已经成为一个重要的研究热点。然而,由于短视频数据的文本描述和视频内容是相互独立的,在进行情感分析研究时,难以有效融合视觉图像信息和文本语义信息。针对上述问题,本文提出以下工作:（1）针对短视频视觉模态情感分析中空间特征和时间特征无法有效融合的问题,提出一种基于多头自注意力和时空特征融合的视频情感识别方法。首先对样本视频做等间隔分割,并使用CNN和C3D网络分别提取视频的时空特征序列;然后分别采用多头自注意力神经网络提取出高层的视觉情感特征后通过拼接做时空特征融合;最后使用Softmax分类器判决视频内容的情感极性类别。实验结果表明,相比于传统的视觉情感识别方法,本方法能够有效融合视觉时空特征,具有更高的情感识别精度。（2）针对短视频文本模态情感分析中词向量维度过高以及情感极性信息不够丰富的问题,提出一种情感极性增强的文本标注情感识别方法。首先使用Word2vec工具将数据集的文本标注转换为对应词向量;再基于Senti Word Net增强词向量的情感极性后输入多头自注意力神经网络提取高层的情感语义信息;最后使用Softmax分类器判决文本标注的情感极性类别。实验结果表明,与传统的文本情感识别方法比较,本方法能够降低词向量维度,丰富文本标注的情感极性信息,更加准确地识别情感极性类别。（3）针对短视频情感分析中视觉模态和文本模态难以有效融合的问题,提出一种基于决策层加权融合的短视频情感识别方法。首先依据视觉和文本模态的情感识别结果得到情感矩阵,并联合各模态设计融合权重引入加权系数矩阵;然后,将两个矩阵相乘得到情感分类概率矩阵,根据分类概率判决情感极性类别;最后,以情感识别准确率为目标函数计算加权系数的最优解。实验结果表明,相比于单模态情感识别方法,本方法能够充分利用模态间的相关情感信息,进一步提升情感识别性能。