近年来语音相关研究中出现一种趋势,过去被认为在序列数据上表现较好的以循环网络(RNN)为基础的各类模型,开始被时序卷积网络(TCN)超越,并已经在语音识别与合成上取得了突出成果,但在情感识别上的应用尚有较大的空白。另一方面,现有的相关研究离实用化仍有距离,需要从系统方面考虑,在存储、性能与速度方面综合考虑,需要一种有效的特征处理方案进行特征处理。特征学习也是该领域从定性分类进入表示学习的必要阶段。综上,本文的主要工作包括以下两个部分。(1)针对时序卷积网络在语音情感识别课题上的应用空白,鉴于该模型在其它语音处理问题上的突出表现且已被证明能够有效捕捉语音序列中的长距离依赖信息,将该模型与长期以来广泛应用与特征抽取、特征降维以及表示学习的自编码器模型相结合,提出TCN自编码器,并将其应用于语音情感识别中的语音情感特征提取部分。通过以新方法提取特征的方式,尝试获取传统手工特征没有捕捉到的语音情感特征,并尝试得到更好的分类结果。(2)针对语音情感识别中的特征处理问题,这里实质上指的是从特征中提取出一个维度更低的新表示,并尽可能保持新表示的可区分度。本文提出使用对抗自编码器结合传统特征与新特征,并获取原始特征集的新表达。即在压缩特征维度的同时尽可能保留其表示意义,使得该新表达仍能较好地被分类器分类。目的是获取原始特征的精简表达。对抗自编码器通过对抗训练,将原始输入嵌入到预设的先验分布中,得到原始特征新表达。实验结果表明,时序卷积网络能够从数据中提取出传统手工特征未涵盖的新信息,在RAVDESS数据集上与传统特征结合后进行分类的平均召回率达到了76.6%。另一方面,对抗自编码器有较好的特征压缩能力,将原始的434维特征压缩到8维后仍能保持较好的表示能力,在分类器上仍能保持68%的无加权平均召回率。