近年来随着深度学习技术的迅猛发展,诸多深度学习模型被应用于语音情感识别技术中。然而,这些深度学习模型存在对情感特征提取不充分、模型复杂度高、对时序特征关注度低等问题。针对以上问题,本文将构建基于多头注意力机制的双向门控深度可分离卷积神经网络模型（Bi-directional Gated Recurrent Unit Depth Separable Convolution based on Multi-head attention,Multi-DSC-BiGRU）,将该网络模型应用于语音信号的深层特征提取和识别中,并对该模型进行深入研究和详细分析。为提高语音信号的高频分量,降低无声段对原始语音信号的干扰,需要对语音信号进行预加重、分帧加窗、端点检测等预处理操作;在梅尔频率下对预处理后的语音信号进行倒谱分析,获得梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient,MFCC）,并用其表征当前语音信号的人工情感特征。上述处理过程为后续深度学习模型自动提取深层情感特征做数据准备工作,有效地解决了情感特征提取不充分的问题。构建了基于双向门控深度可分离卷积（Bi-directional Gated Recurrent Unit Depth Separable Convolution,DSC-BiGRU）的神经网络模型。为保证语音信号的时序特性,采用双向门控循环单元提取特征中的时序信息;采用深度可分离卷积模块减少模型参数,降低模型复杂度。在EMO-DB数据集上该模型的识别准确率为76.46%;在CASIA数据集上该模型的识别准确率较双向门控卷积神经网络模型（Bi-directional Gated Recurrent Unit Convolutional Neural Network,CNN-BiGRU）提高了1.19%,模型复杂度下降近77%。有效地解决了模型复杂度高的问题。构建Multi-DSC-BiGRU神经网络模型,该网络模型较自注意力机制引导的双向门控深度可分离卷积神经网络模型（Bi-directional Gated Recurrent Unit Depth Separable Convolution based on Self-attention,Self-DSC-BiGRU）而言能够更多的关注自身时序特征,提高时序特征中关键信息的表现能力。在EMO-DB数据集上该模型的识别准确率为80.73%;在CASIA数据集上Multi-DSC-BiGRU模型识别准确率较Self-DSC-BiGRU提高了2.07%,较DSC-BiGRU模型提高了4.45%。有效地解决了模型对时序特征关注度低的问题,提高了模型的识别性能。建立在线的语音情感识别平台。将Multi-DSC-BiGRU网络模型应用到该平台中,平台采用Browser/Server架构,通过浏览器的前端页面展示情况,实现对网站功能模块的测试,测试结果验证了本文所提出模型的优越性和语音情感识别平台的实用性。