多模态情感分析近年来成为了深度学习领域中一个热门的研究方向,在智慧医疗、智慧教育、智能客服和社交媒体分析等应用中发挥着至关重要的作用。相比于单模态情感分析仅仅依靠单一模态来预测情感,多模态情感分析融合了不同模态的特征,通过不同模态的互补性提升预测准确性。部分现有的多模态情感分析方法只考虑如何整合模态特征,但没有探索模态间的相互作用,这将大大降低模型的性能。此外,视频、音频和文本模态本身就含有丰富的信息,现有研究方法大多忽略了利用丰富的单模态信息,导致了不理想的预测结果。为了解决这些问题,我们设计了一种全新的多模态情感分析模型,它可以利用注意力机制学习模态内和模态间的动态,以进行模态交互,改进融合策略。具体而言:（1）我们引入了一个跨模态分层注意力模块来建模模态间动态,通过该模块中的双模态交互层和三模态交互层来融合多模态特征。（2）我们设计了一个模态重建模块,该模块具有三个模态重建子模块来建模模态内部动态。（3）为了实现更可靠的预测,我们提出了一个决策级融合网络,来融合从上述两个模块独立生成的推理结果,用于情感分析。在CMU-MOSI、CMU-MOSEI和CH-SIMS上的综合实验结果和比较证明了我们的模型在公共数据集上的有效性。我们提出的模型明显提高了多模态情感分析的分类性能,特别是在CMU-MOSI数据集上,提出的模型的准确率达到了87.61%。广泛的实验结果和对公开可用的基线数据集的比较表明,所提出的模型显示出与最先进的方法相比具有竞争力的性能。基于实验结果,我们认为模型在多模态情感分析领域仍有研究潜力。