随着信息技术与机器学习的发展,越来越多的智能机器取代了人类劳动,便利了人类生活,使社会变得更加智能。为使机器能够识别人类情感,研究人员对面部表情、动作行为、生理信号和语音等方面进行研究来提升情感识别的准确率。在情感识别中,语音携带了大量的信息,通过音调、响度、音高、振幅、话语内容等特征协同表达出某种情感。因此,对于语音情感识别的研究是最直接而又必要的。在对语音情感识别的研究中发现,同库语音情感识别方法目前大多采用深度学习的方法,且识别率已达到92%或更高。而跨库语音情感识别,目前多采用一般迁移学习和传统的机器学习结合的方法,识别准确率未有较大提升。考虑到真实情况下,语音情感识别的训练和测试来自不同的语料库,因此本文对跨库语音情感的识别展开研究,提高跨库环境下语音情感识别的准确率,主要研究内容和研究成果如下:（1）针对使用迁移学习方法进行跨库情感识别时准确率不高、类别间准确率偏差较大的问题,提出联合特征迁移子空间学习（Joint Features Transfer Subspace Learning,JFTSL）算法。首先,使用迁移成分分析（Transfer Component Analysis,TCA）算法对原始空间中的源域和目标域进行特征降维,使得它们边缘概率分布距离减小。之后,对降维后的源域和目标域进行处理,使用改进的联合子空间学习（Joint Subspace Learning,JSL）方法,学习一个特征变换子空间,减小源域和目标域的条件概率分布距离,平衡类别间的识别准确率。同时,为了使特征变换子空间不过拟合,加入子空间的2,1L范数、源域和目标域的距离度量正则化。此外,为提升源域的可区分性,加入源域类别标签特征的距离度量正则化。最后,加入超参数调整各部分的权重。通过对源域语料库和目标域语料库的相互跨库情感识别,表明了JFTSL算法在跨库语音情感识别中的有效性。（2）考虑到同库和跨库识别时准确率的差异,提出了基于注意力机制的长短时动态对抗适配网络（Attention-Based LSTM Dynamic Adversarial Adaptation Network,AL-DAAN）,将改进的基于注意力机制的长短时记忆网络（Improved Attention-Based Long Short-Term Memory Network,IA-LSTM）和调整后的动态对抗适配网络（Dynamic Adversarial Adaptation Network,DAAN）结合,实现跨库环境下的情感识别。将在IA-LSTM上训练好的模型和参数的前三层迁移到调整后的DAAN中组成AL-DAAN模型,并固定此三层的参数。随机初始化AL-DAAN中其它部分的参数,在类别平衡且较多样本的语料库e NTERFACE上进行训练,在类别不平衡的小样本语料库EMO-DB上进行测试。实验结果表明,AL-DAAN进一步提高了跨库语音情感识别的准确率。且通过在e NTERFACE语料库、CASIA语料库和EMO-DB语料库上的跨库实验,表明了情感表达越相似的语料库,跨库识别的准确率越高。经过在e NTERFACE语料库和CASIA语料库上的进一步实验,验证结果表明,AL-DAAN在识别类别不平衡的小样本语料库时表现最好。（3）针对当前开源语料库资源稀缺问题,首先,设计制作了一个手机应用（Voice Acquisition）来专门收集语音资源。通过此应用可以方便语音的录制、收集、整理。为了方便语音整理成库,对应用的界面进行了针对性的设计,在录制时首先选择语音录制成库时需要的标签信息,同时对语音的保存位置也进行了设置,便利语音数据的获取与语料库的制作。其次,使用Voice Acquisition收集语音,制作一个小型汉语语料库（Chinese Nonprofessional Corpus,CNC）。最后使用CNC语料库在JFTSL算法和AL-DAAN模型上进行实验,进一步验证所提算法和模型的鲁棒性和有效性。