近年来,随着互联网的蓬勃发展和社交媒体的大量出现,创建了大批的用户生成内容。用户生成内容在情绪识别方面可以应用于信息咨询、舆论挖掘和维持社交关系等领域,那如何从用户生成内容中挖掘其有效的情绪信息,为高级人工智能的活跃发展助力,成为了一个比较热门的研究方向。基于此,基于对话的情绪识别也受到了越来越多学者的广泛关注。目前,基于深度学习的情绪识别方法取得了较好的研究成果,而引入自注意力机制可以进一步提升情绪识别的准确率。但是,由于现有的融合自注意力机制的方法中自注意力机制比较普遍和简单,在对话情绪识别中无法获取高质量的远程上下文信息,从而影响了情绪识别准确率的提升效果。因此,本文开展了如下研究:（1）针对用户生成的对话情绪识别中无法捕获高质量的远程上下文信息的问题,提出了一种融合上下文信息的自注意力门循环单元网络情绪识别模型。该模型在自注意力机制中引入全局上下文可以获取单词和话语的整体含义和句法信息,进而提升捕获单词和话语之间的远程上下文信息的效果。随后在模型中又引入了深度上下文的自注意力机制,该方法是从深层次方向获取不同类型的单词和话语的句法信息,从而提升获取远程上下文信息的能力。（2）针对对话内容中存在语义稀疏的问题,本文在情绪识别模型中加入了卷积神经网络,首先使用卷积层提取局部语义特征,然后引入深度-全局上下文的自注意力机制,这种形式的自注意力机制是全局上下文和深度上下文的结合,主要用于总结历史上下文信息,使得模型可以提升情绪识别的准确率。实验结果表明,在两个公用数据集Friends数据集和Emotion Push数据集的测试集上,与最优的基线模型相比,融合全局上下文的自注意力机制模型在未加权准确率上分别提升了0.2%和0.3%;引入的深度上下文的自注意力机制比全局上下文自注意力机制在未加权准确率上分别提升了0.5%和0.2%;此外,基于深度-全局上下文的自注意力卷积神经网络在部分情绪的准确率上有所提升。