随着科学技术的不断发展,以人工智能为基础的各种系统已逐渐渗透到人们的日常生活中。语音作为人机交互的前沿窗口,如何识别其中的情感信息成为研究的热点。但是目前语音情感识别任务仍面临精度不足,鲁棒性差的问题,主要是因为以下三个原因:1)人类情感是抽象的,使得情感难以区分;2)人类情感只能在说话过程的某些特定时刻被察觉。3)带有情感标签的语音数据样本通常是有限的。因此本文设计了基于时空特征融合的语音情感识别方法,具体包括:1、为了解决语音数据样本不足和识别精度较低的问题,提出了基于迁移学习的三维注意力卷积循环神经网络模型（3D-DACRNN）。首先通过迁移学习和语音切片的方法来解决语音数据样本不足的问题;其次考虑到迁移的参数来自于图像数据集,不能完全表现语音数据的空间信息且不包含时序信息,因此提出通过膨胀卷积网络（Dilated-CNN）提取语音频谱图的空间信息,添加双向长短期记忆神经网络（BLSTM）提取时序信息,并进行时空特征融合;最后针对语音中含有大量与情感无关特征的问题,本文将对数梅尔频谱图的三个通道作为输入,以减少情感无关因素的影响,并添加注意力机制选取情感权重大的时域信号。2、由于3D-DACRNN模型难以区分相似度高的情感,因此提出了基于Vi T-CRNN多特征融合的语音情感识别模型,将Vision Transformer（Vi T）模型提取的特征与CRNN提取的特征进行融合。首先,Vi T能提取深层全局时间特征,并且相较于CNN更适用于迁移学习任务,能更好的解决语音情感数据样本不足的问题;然后,使用CRNN从原始语音学习更全面的空间特征;最后,将空间特征和时间特征进行拼接,两种特征向量相互补充,提高模型识别率。本文提出了基于三维注意力卷积循环神经网络的语音情感识别模型和基于Vi TCRNN的多特征融合语音情感识别模型,提升了语音情感识别系统的性能和对情感细节特征的捕获能力。在数据集IEMOCAP上3D-DACRNN的UAR提升了4.1%,Vi T-CRNN的UAR提升了6.3%。