随着人工智能时代的到来,人们对于机器设备的期望不再只停留于科学计算,如何让计算机更加智能高效成为更多科技从业者的工作目标和价值追求。其中,情感智能计算是改善人机交互的重要组成部分。但目前智能情感计算的发展仍然面临严峻的挑战,包括多模态特征使用不充分、情景信息挖掘不完全等,导致情感识别率较低。本文基于目前计算机领域和心理学相关研究成果,模拟现实生活中人类情感的表达方式,提出基于情景注意力神经网络的多模态情感识别方法和基于迁移学习和注意力机制的跨语料库情感识别算法,在主流的公开数据集上进行实验,并与目前先进算法进行对比。具体工作如下:（1）针对对话中情感动态特征提取的难点,本文提出了一种基于情景注意力神经网络的多模态情感识别方法。在该算法中,首先对文本、语音、视频进行特征提取工作,并进行基于注意力机制的特征融合操作。然后,设计双向GRU网络提取整段对话的全局对话情景特征。最后,将融合后的特征向量和全局对话情景特征送入神经网络,利用神经网络中嵌入的情景注意力模块来挖掘两者的关联性,对目标说话人做出情绪状态判断。通过在IEMOCAP数据库上进行了针对6类情感的实验,本文所提出的方法准确率达到64.6%,F1分数值为63.7%,并且在部分情感上的分类表现较好。在此基础上,本文也通过将不同组合的模态信息分别作为输入进行训练和测试,验证了多模态数据包含更多的情感信息以及基于注意力机制的多模态融合方式是可行且有效的。（2）基于训练数据标注成本较高和实际应用中训练、测试数据存在差异的现实问题,本文还提出一种基于迁移学习和注意力机制的跨语料库情感识别算法。在基于情景注意力算法中“上下文情感动态特征”工作的基础上,该算法在选取特征进行迁移时,除了使用传统情感特征,也提取上下文中有关于情感动态变化的特征。在迁移过程中,使用注意力迁移机制使得目标任务的特征图与源任务的特征图尽可能相似,进而完成知识迁移。实验设置以不同初始化比例的预训练参数进行迁移。在IEMOCAP和Daily Dialog两个目标数据库上,F1分数分别达到59.5%和47.9%。并且在实验对比中,该算法的表现基本能够持平目前先进算法,并在一些情况下表现更优。