伴随多媒体技术的飞速发展,图像、视频等视觉内容已变成网络社交文化中的一种主流媒介,越来越多的人在社交网站上上传图像来表达自己的情感或观念。如何能使得计算机辨认甚至产生类似于人的情绪,开始受到越来越多的关注。作为人工智能、计算机视觉等范畴的重要课题,情感计算对于计算机如何精确感知图像内容有重要意义。实现该技术的一个关键之处就在于将图像的低层视觉信息与高层语义特征之间的鸿沟有效地衔接起来,从而建立符合人类认知的感情映射机制。现有工作大部分都是从图像全局的角度出发,通过设计更好的特征来解决图像单情感标签预测问题,但其中主要存在着两点局限:首先,一个重要现象就是图像的情感传达区域的局部性,相对显著的区域而言背景区域含有的情感信息较少。其次,视觉情感的标签存在着依赖关系且有很强的模糊性,使用独热编码形式来定义视觉情感不够准确。针对于以上问题,本文通过多任务优化学习来进行视觉情感分析,对于图像情感的分类问题,为了更好的解决图像情感传达空间分布不均的问题,本文提出了一种基于弱监督情感检测的耦合神经网络框架,使用弱监督的方式发掘图像中蕴含情感比较丰富的区域,并将该区域信息结合到图像的情感分类中,该技术将图像情感区域检测和图像情感分类任务结合到一个统一的深度网络中,实现了端到端的训练,并且只需要图像级别的情感标注信息,而非像素级别的矩形框标注,因而减轻了大量标注的负担。本文在多个情感数据集上的大量实验表明,该方法优于目前最先进的视觉情感分析方法;而对于情感标签的模糊性,本文使用标签分布的形式来对情感进行更为精细的建模,提出一种多任务情感标签分布学习框架来协同优化标签分布预测及分类任务,除此之外,由于大部分视觉情感数据集只提供了单个类别标签,为了提高该框架的实用性,本文也利用一种弱先验知识即标签之间存在的相似性信息,将单情感类别转化为对应的情感标签分布。本文在公开的数据集上进行了大量相关实验来证明方法的有效性,并通过大规模的用户研究来验证情感标签分布和人的主观感受间的关联性。