最近几年,人工智能发展迅猛,人们对机器的需求也随之提高,期望机器能够像人一样具有情感。语音作为人与人之间的重要沟通方式,不仅仅传达了语义信息,而且表达了丰富的情感状态信息,因此研究语音中的情感具有重要的意义,能够有效帮助人类与机器之间实现更加自然流畅的交互。本文基于卷积循环神经网络进行了语音情感识别的研究,主要包括以下三个方面:针对情感语音数据库,提取语音信号中能够表现情感状态的特征,主要包括韵律学特征、音质特征和谱相关的特征,然后对这些特征应用统计函数,获取其统计特征,最后将所有的特征在特征维度上进行组合,得到二维的特征矩阵,并将此特征矩阵用作模型训练。以提取的特征作为模型输入,研究了基于注意力机制的循环神经网络对语音情感的识别。首先基于该模型讨论了训练集样本长度对语音情感识别率的影响,当训练集样本长度为180帧时,模型的识别准确率最高;然后以180帧作为训练集样本长度,分别在循环神经网络模型和带有注意力机制的循环神经网络模型上进行语音情感识别。经过实验表明,本文中使用基于注意力机制的循环神经网络进行四种情感识别时,相对于只使用循环神经网络,模型性能提升了6.51%;而且在两种情感识别中,该模型的识别准确率得到了显著的提升。因此本文提出的特征组合与注意力机制模型在语音情感识别方面具有显著的效果。结合卷积神经网络和循环神经网络的结构特性,提出了一种综合的网络模型,并使用该网络模型进行语音情感识别。首先结合卷积神经网络和循环神经网络的特性设计了一种综合的网络结构,并将此网络结构称为卷积循环神经网络,然后使用本文提取的特征作为输入并对此网络模型进行训练;与此同时讨论了训练样本的长度对模型的语音情感识别准确率的影响,当训练样本的长度为140帧时,模型的情感识别准确率达到最高;最后将140帧作为训练集样本长度并使用卷积循环神经网络作为模型对语音情感进行识别。实验结果表明,当使用本文提出的64维特征作为输入的卷积循环神经网络模型对四种情感类别的语音进行识别时,模型的识别准确率达到了85.71%,而使用46维特征作为输入的卷积神经网络模型的识别准确率为77.00%,相比之下,本文提出的网络模型的情感识别准确率提升了8.71%;并且在两种情感识别时,本文提出的模型的情感识别率较单用卷积神经网络也有比较明显的提升。综上本文提出的特征组合与卷积循环神经网络模型在语音情感识别中效果显著。