语音情感识别作为情感计算的一个重要分支,因其快速、便捷、真实的特点,受到了广泛学者的深入研究。在过去的语音情感识别研究中,学者们多数使用传统的机器学习方法来进行语音情感识别的研究。然而近几年随着深度学习的火热,深度学习方法在各个领域中都表现出了优异的性能,成为其中的翘楚。本文主要工作是研究如何使用神经网络提取语音中的情感信息,选择出利于情感识别的语音特征,进而提高语音情感识别效果。主要工作如下:（1）本文提出了一种基于空间和通道双重注意力机制的语音情感识别方法。因一段语音中包含了多个语音片段,不同的语音片段对情感识别的重要程度不同。将一段语音信号分割成多段音频,分别用预训练模型VGG16提取每个语音片段的深度语音情感信息,再借助空间和通道注意力机制,筛选出有利于语音情感识别的特征,赋予高的权重,来提高语音情感识别的效果。使用双重注意力机制在e NTERFACE’05、AFEW和IEMOCAP数据库上进行仿真实验,分别得到了58.98%、36.12%和71.31%的识别率,相较于传统的语音情感识别方法,提高3.1%、9.8%和13.14%的识别率。（2）本文提出了一种核选择注意力机制的语音情感识别方法。核选择注意力机制使用多种尺寸的卷积核提取语音中的情感信息,不同尺寸的卷积核具有不同大小的感受野,可以提取到不同的语音情感特征,特征的重要程度也不尽相同。对不同卷积核提取到的特征赋予不同的权重。核注意力机制中采用了1?1大小的卷积核,可以对不同通道间的信息做线性组合,实现通道间的信息交流;还可以在保持特征图尺寸不变的情况下,增加特征图的非线性表达能力,有利于在更深的网络中提取更高级的情感特征。核注意力机制中还采用了3?3、5?5、7?7大小的卷积核,随着卷积核尺寸的增大,感受野也随着增大,可以提取到的信息就越多,能够获得更好的局部特征。而较小尺寸的卷积核可以观察到更多的细节信息,实现语音情感的精准识别。使用核选择注意力机制在三个数据库上进行仿真实验,分别得到了58.42%、35.22%和68.46%的识别率,相较于传统的语音情感识别方法,提高2.54%、8.9%和10.64%的识别率。（3）因语音情感识别具有时间特性,本文提出了一种基于空时特征的语音情感识别方法。语音信号转换成声谱图的形式,不光具有空间特征,帧与帧之间还具有时间特征。针对语音信号的空间和时间特征,提出了一种基于并行空时特征的语音情感识别方法,并在此模型的基础上,改进了网络结构,提出了基于交叉空时特征的语音情感识别。在前人的研究中,卷积神经网络可以提取图片中丰富的空间特征,但是针对特定的语音情感识别任务,承载情感的语音在一段时间中具有相关性,卷积神经网络并不能提取这些时间特征,所以需要借助循环神经网络提取语音中的时间特征。将两路神经网络中提取到的空间和时间特征进行拼接,得到带有空间和时间的语音情感特征用来做语音情感的识别。并行空时特征的语音情感识别方法在三个数据库中分别得到了57.68%、33.90%和65.11%的识别率。然而上述的特征拼接方法不能实现空间和时间特征之间的信息交流,针对上述方法的缺陷,提出了一种基于交叉空时特征的语音情感识别方法,加强了不同特征之间的信息交流,交叉空时特征的语音情感识别方法在三个数据库中分别得到了58.61%、38.10%和70.89%的识别率,相比于并行空时特征的语音情感识别方法,提高了0.93%、4.2%和5.78%的识别率。