近年来,随着智能终端与互联网技术的快速发展,越来越多的用户开始在社交平台上表达情感,社交平台上的数据已经从单一模态演变为多模态形式。随着多模态数据的广泛应用,单模态情感分析方法已经无法有效处理多模态数据并利用其中隐藏的多样性信息。因此,多模态情感分析方法应运而生,并成为新的研究热点。已有的多模态情感分析模型通常采用特征级融合、决策级融合以及混合融合方法对多模态数据进行融合。然而,已有的混合融合方法在进行特征级和决策级融合时,没有同时对三种模态进行融合,不能很好的学习多模态数据之间的交互信息。此外,已有的多模态情感分析模型通常假设多模态情感数据是完整的,而现实中不确定模态缺失的情况经常发生,导致现有的多模态情感分析模型失效。针对上述问题,本文开展了以下研究工作:（1）针对现有的混合融合方法在特征级和决策级融合期间无法捕获所有模态特征的问题,提出了一种基于Bi GRU与混合融合策略的多模态情感分析模型。该模型使用Bi GRU提取单模态特征,通过双模态注意力融合模块对单模态特征进行两两融合。为了在特征级和决策级融合期间捕获所有模态间的交互信息,提出了三模态注意力融合和三模态拼接融合方法,获取两组融合后的三模态特征。随后,对两组三模态特征进行分类,并在决策层对分类结果进行融合,最后进行情感分析。实验结果表明,本文所提出的模型能够充分捕获所有模态之间的交互信息并有效提升模型的性能。（2）针对多模态情感分析中不确定的模态缺失问题,提出了一种面向不确定模态缺失基于模态翻译的多模态情感分析模型。该模型首先使用Transformer编码器提取三种模态特征,并使用Transformer解码器将视觉和音频模态翻译成文本模态;然后,将翻译后的视觉、音频模态和编码后的文本模态融合为缺失的联合特征。接着,对缺失的联合特征进行编码,并使用完整模态训练的预训练模型来监督编码过程,使缺失的联合特征逼近完整的联合特征。同时,使用Transformer捕获多模态联合特征之间的长期依赖关系。最后,Transformer编码器的输出用于最终的情感分类。实验结果表明,提出的方法在不确定模态缺失情景下获得了性能的显著提升。