情感认知是人类的高级认知活动,它也是人工智能不可或缺的部分,在人机交互中要求机器具备情感认知的能力,使得机器与人具有共情性。心理学研究表明,视觉内容（如图片和视频）能诱发观察者的多种情感反应[1],并且随着互联网的发展,人们也越来越喜欢通过上传图片和视频到社交媒介（如微博、微信和Twitter）来分享他们的感受,表达他们的情感,视觉内容能传达和影响人类的情感。本论文主要关注图像的情感语义分析,图像情感语义分析在很多领域都有着广泛的需求和应用,如舆情监控、智能教育。理解图像所传达的情感,以及这些情感是如何通过图像特征表达的,是重要而有趣的研究内容。图像情感分析已成为计算机视觉领域研究热点。图像情感分析指分析图像传达的情感语义,识别出图像诱发的人类情感,目的是建立图像与人类情感之间的映射关系,这是一个很具有挑战性的工作,主要是因为情感语义的模糊性。人类的情感认知与其文化背景、个性和所处社会环境等相关,主观性较大,情感图像标注困难。其次,并不是整幅图像的所有区域（像素）都表达了情感语义,究竟是图像中哪些区域或特征诱发了人类的情感响应?本论文关注情感分析的关键和难点问题——关注情感区域、情感语义模糊性和情感数据集标注困难,探索图像情感分析中的有效方法。本论文的研究内容和主要贡献如下:（1）提出关注情感区域的交叉空间池化图像情感分析方法。在一个前向的图像情感分析中,导向性地设计了提取情感类别特征的方法,检测出图像中与情感相关的特征,实现情感特征的定位。在只有图像级别的标注下就实现了细粒度、像素级的情感标注,得到的情感激活图能表示图像中诱发情感的区域,及每个像素对诱发情感的贡献程度,解决了以往的图像情感分类研究无法解释卷积神经网络是如何生成分类结果的问题。在TwitterⅠ和Emotion ROI数据集上的实验结果表明,论文提出的方法,能有效地学习到情感表示特征,提升情感分类的性能。（2）从情感类别的语义本质特征出发,基于深度度量学习的方法进行图像情感分析。图像情感分类和传统的图像分类是不一样的,在图像情感分析中,情感类别之间存在远近亲疏的关系,情感类别关键词的语义是模糊的,而已有的图像情感分析方法很少有研究考虑图像情感类别之间的这种远近亲疏关系。因此,本论文的研究充分考虑了情感类别之间的关系,根据样本对的当前状态进行渐进式的抽样和双重加权,从信息量更丰富的样本对中学到更多对模型更新有贡献的特征,加快模型收敛。实验结果表明,本论文提出的模型使得深度度量学习学到了更加具有鉴别能力的深度嵌入特征,和目前先进的情感分类方法相比,性能更优,通过消融实验证明了图像情感分析中考虑图像情感类别远近亲疏关系的必要性。（3）情感数据集的标注相当耗费精力,代价高昂。为了解决图像情感分析中的情感数据集标注问题,本论文基于情感类别的极性和有序关系,通过域自适应方法,把已知的标注好的情感数据集调整到未标注的情感数据集,建立一致性约束,实现对目标域情感数据集的分类,即实现弱监督情感分类。该方法应用于云南重彩画数据集上,首次完成了云南重彩画数据集的无监督情感分析,实验结果表明,本论文提出的域自适应方法的效果优于其它域自适应的图像情感分析方法。