情感识别在人机交互中具有重要意义。一般来说,人的情感主要通过面部表情、姿态表情和言语表情表现。而语音作为人类表达自身的最重要的通道之一,能够有效的表达情感,已被成功用于情感的自动识别中。然而,语音只是情感表达的一种方式,并未包含全部的情感信息,文本信息也能传递说话人的情感。因此,多模态特征融合的情感识别是一个重要的研究方向。本研究的研究目标是使用语音与文本特征融合的方式,来提高情感识别的准确率。基于此目标设计了如下实验:首先,对语音数据进行预处理,通过提取低层次声学特征,在低层次声学特征上应用了各种统计函数构建全局声学特征,并将其用于语音情感识别。用语音训练的识别模型作为基线系统与后续的识别模型进行比较。其次,对文本语句进行预处理,提取不同特征的提取,共生成3类特征,分别为词袋特征、词向量和句向量,用于文本情感识别,选择三类特征中识别准确率最高的文本特征用于后续与语音特征融合。最后,将语音与表现最好的文本特征进行特征融合进行情感识别,比较它们在IEMOCAP数据集上情感识别的性能。在特征融合时,采用了两种特征融合方式,分别为特征层融合和决策层融合。最终,本研究根据语音与文本特征融合后的情感识别结果与单语音通道的识别结果进行比较,同时比较融合方式对识别结果的影响。实验结果发现,语音与文本特征融合后训练的情感识别模型比单一模态特征训练的情感识别模型取得了更好的识别效果,得到了更高的识别准确率。具体来说,语音与文本特征融合后的情感识别模型比语音情感识别模型识别率更高,同时也比文本情感识别模型识别率更高;其次,决策层融合比特征层融合在情感识别中表现更好。通过决策层融合的语音和文本情感识别模型的识别率高于特征层融合的语音和文本情感识别模型。总体来说,相比于单模态的语音情感识别方式或单模态的文本情感识别来说,利用多模态特征融合的方式可有效提高情感识别准确率。