机器翻译,自动语音识别等领域已经被研究了半个多世纪。这些系统要实现功能是在人与机器,甚至在机器与机器之间能够像人与人一样自然地进行互动。传统的语音识别系统只对说话人的讲话内容进行语音到文字的转换,而不考虑说话人的状态、情绪等特征。语音情感识别正是研究说话人的情感状态。但是相比于语音识别等传统任务,语音情感识别任务缺少大规模的情感语音数据库,而且很多种语言没有情感语音数据库。因此,通过传统深度学习的方法进行语音情感识别效果不佳。针对上述问题,本文从数据库建立、特征空间变换及模型建立方面进行研究,主要做了以下工作:1.针对国内少数民族语言语音情感数据库空白的问题,本课题设计了相关实验场景并建立了维吾尔语语音情感数据库。母语为维吾尔语的20名表演者（10名女性和10名男性）模拟6种情绪,总共收集了1200个语音情感样本。表演人员在录制过程中被情感场景句子诱发对应的情感,从而逼近真实的情感语音。基于上述维吾尔语语音情感数据库分析了各情感语音的声学特征,以及观察声学特征对语音情感识别的区分能力。2.情感特征空间的学习是语音情感领域最重要的一个研究方向,为了在语音情感识别中获得高效、紧凑的低维特征,本文提出了一种新的基于不确定线性判别分析的特征约简方法。用与传统LDA相同的原则,在最大判别方向的估计中引入带噪声或失真输入数据的不确定性。在维吾尔语语音情感识别任务上验证了不确定性判别分析的有效性。获得了比其他常用降维技术更好的结果。实验结果表明,采用适当的不确定性估计算法时,在维吾尔语音情感识别任务上,不确定性线性判别分析（ULDA）算法优于传统LDA降维算法。另外,本文又提出了一种原子表示模型的分类方法实现维吾尔语语音情感识别。基于表示模型的分类算法,如稀疏表示方法,近年来在模式识别领域引起人们的极大兴趣,而且获得了较好的效果。有效的表示情感特征对语音情感识别效果影响较大。从维吾尔语语音中提取情感特征,用原子表示模型对这些提取的情感特征空间进行建模,在构建好的情感空间模型中选出最逼近的情感类别,从而达到情感识别的目的。本文所提出的方法实验结果表明,该方法优于传统方法,在维吾尔语情感语音库上的识别率达到64.17%。3.目前的深度学习方法在使用大量的训练数据时可以取得很好的效果,但是语音情感语料库训练实例的不足使得常用的深度学习方法很难达到令人满意的结果。因此,本文提出了一种孪生神经网络框架,该网络通过成对训练,可以在有限的数据下训练并取得较好的效果,缓解样本不足带来的影响,并提供足够的迭代次数。在孪生网络的框架中,我们设计了两个基于注意力机制的长短期记忆网络,对称的两个网络互相分享权重,并且我们给这些网络按循序地输入帧级特征,而不是整个语音静态的统计特征,以保留原始语音中的时序信息。结果表明,与传统的深度学习方法相比,该方法在语音情感识别结果上有了显著的提高。另外,为了有效解决退化问题,本文提出了一种基于注意力的密集LSTM语音情感识别方法。在LSTM网络中引入基于注意力的密集连接,构造了能够处理语音等时间序列的LSTM网络。即在每层的跳转连接中加入权重系数,以区分层间情感信息的差异,避免底层冗余信息对上层有效信息的干扰。实验结果表明,该方法在e NTERFACE和IEMOCAP语料库上的识别性能分别提高了12%和7%。4.针对现有情感计算算法中存在情感跟踪延迟及忽视情感状态连续性的问题,本文提出了一种结合数据场情感空间和混合蛙跳算法的连续语音情感变化趋势检测技术。首先构建数据场情感空间,利用情感特征量模拟数据场粒子,用势能函数描述粒子之间的相互作用,然后运用混合蛙跳算法技术,用青蛙个体来模拟情感状态变化过程中的情感特征量,得到情感变化的趋势。通过对变化趋势的分析,可以达到情感预测的目的。经实验证明,该算法性能比现有算法有较大的改进。