当今,随着互联网技术的发展以及社交网络平台的兴起,海量的用户每时每刻都在社交媒体上通过文字、图片等多媒体内容来表达自己的态度和观点,这使得互联网成为丰富的情感资源库,而图像情感分析也开始受到关注。作为用户行为分析的一个重要研究方向,现有的图像情感分类工作大部分都是从图片的整体来挖掘所蕴含的情感信息,这些工作的重点都集中在如何搭建一个高性能的神经网络,而针对图片的局部区域在情感分类中所起作用的研究却很少。另外,图像情感分析还需要解决低层次的视觉特征与高层次的情感语义之间所存在的语义鸿沟。本文提出了一种基于视觉语义联合嵌入和注意力机制的情感分类模型。首先,为了解决图像特征与情感语义之间的语义鸿沟问题,设计一个基于自编码器的视觉语义联合嵌入模块,训练中间的隐藏层重构图像特征并引入图片的属性特征来监督隐藏层的回归计算,得到图像特征与语义特征的紧凑表达--视觉语义联合嵌入特征;然后,为了突出局部区域的作用,设计一个基于注意力机制的情感分类模块,通过显著区域检测网络提取一组显著区域的图像特征,利用注意力机制来建立显著区域特征与视觉语义联合嵌入特征之间的关联,计算注意力分数并对这些显著区域特征进行注意力加权;最后基于加权后的图像特征构建情感分类器,实现图像的情感分类。本算法将自编码器、注意力机制和显著区域检测技术有效地结合在一个通用模型当中,关注了图像中的局部显著区域,利用自编码器学习图像特征与属性语义特征的潜在特征,在一定程度上填补了图像特征与情感语义之间的鸿沟。本文在VRD基准数据集上,设置了三组对比实验,验证了各个关键模块在本文算法中所起的作用;通过与现有最好的五种方法进行对比,本文方法的分类准确度超过了现有方法在VRD数据集上的准确度,这验证了本文算法相对于现有情感分类算法的优越性。