维度情感分析是情感计算领域的重要研究方向和研究热点。人类情感的表达复杂且微妙,不受简单的固定类别的情感标签限制,从理论而言,维度情感空间可涵盖所有情感状态。情感状态的变化连续、缓慢、有规律可寻,受上下文语境及情境影响。本文针对维度情感分析提出了三种深度特征提取算法,其中所提出的时空融合深度特征提取算法,充分利用了人脸表情帧内的空间特征和帧间的时序特征,取得了目前最优的识别效果。具体研究内容如下:(1)提出了一种人脸关键点约束对齐的维度情感深度特征提取算法一—Landmark CNN。相较于传统特征提取算法,卷积神经网络(Convolutional Neural Network,CNN)能够从维度情感数据中学习到更抽象、更具判别性的特征。实验结果表明,与传统特征相比,CNN提取的深度特征可有效表示表情的空间特征并提高识别精度。考虑到人脸姿态所带来的影响,本文提出了人脸关键点约束对齐的维度情感深度特征提取算法。在数据预处理阶段,对图像进行人脸关键点约束对齐;在特征提取阶段,采用CNN提取空间特征。对比实验结果表明,在AVEC2012数据集上,本文所提模型的TOP1识别精度比CNN模型高1.10%。(2)提出了基于特征重用策略的维度情感深度特征提取算法——连续特征重用 CNN(Directly-reuse CNN,DRCNN)和完全特征重用 CNN(Fully-reuse CNN,FRCNN)。特征重用策略旨在使深度神经网络关注图像的主要区域,将网络模型中不同层的特征图(Feature map)连接起来,增加网络输入的特征多样性。DRCNN采用连续卷积块的网络结构,将前一卷积层所学习的特征图直接输入到下一卷积层,所提取的特征更具鲁棒性。但网络层加深的同时,DRCNN的梯度消失会更加明显。针对此问题,本文继而提出了 FRCNN,将网络中的所有卷积层互连,充分传输层间信息,通过对特征图密集连接达到更好的识别效果。在AVEC2012数据集上,DRCNN和FRCNN模型在Valence属性上的TOP1精度分别比CNN模型提高了 7.90%和 10.40%。(3)提出了一种时空融合的维度情感深度特征提取算法。所提算法融合了空间模型CNN与时序模型LSTM(Long Short-Term Memory),对维度情感进行空间特征提取以及时序关系建模,充分利用时空联合描述。通过对比分析不同卷积神经网络所提深度特征的有效性,本文采用ResNet-34网络作为时空融合模型中的空间特征提取模型。实验结果表明,时空融合的维度情感深度特征提取算法在Arousal、Expectation、Power、Valence四个维度属性上的TOP1 精度,与FRCNN相比分别提高了 1.30%、0.20%、0.20%、1.20%。