多模态对话情绪分析旨在从一段对话中分析目标话语的情绪状态,在对目标话语进行情绪分析时不仅需要利用语音、文本、视觉多个模态的信息,还需要考虑目标话语所处的上下文语境。这些可以为情绪分析提供一个全局的视角。让智能设备能够感知人们对话中的情感,在人机交互、意见挖掘等领域有着十分重要的研究意义以及广阔的应用前景。在目前的对话情绪分析的研究中,大部分工作主要从自我情绪惯性和他人的影响两个方面来考虑对话中的情绪动态。在建模历史话语对目标话语的情绪影响时往往利用传统的循环神经网络,而这种方法不能从性能优异的预训练模型中受益以更好地在对话中进行表示学习。还有的研究工作只考虑了单个模态的输入,而没有对能够相互补充、印证的多模态信息进行充分利用,以提升模型性能。考虑到上述问题,本文提出了一种基于BERT预训练语言模型的多模态对话情绪分析方法。本文的主要工作如下:（1）针对如何建模历史话语对目标话语影响的问题,本文提出了将视觉和语音两个模态的信息适配到BERT预训练语言模型中进行处理的方法。在语音、视觉和文本三个模态上单独进行了情绪分析实验,对比了两种建模方式的优劣。一种是将目标话语与之前的历史话语进行简单拼接,然后利用BERT模型进行时序建模。第二种则是按照历史话语说话者和目标话语说话者的异同对历史话语进行了划分,然后将两种类型的历史话语与目标话语进行拼接,再进行时序建模。在模型训练的过程中,采用了一种微调的训练方式使得模型既能从大型预训练模型中受益同时又可以让预训练模型能够适应该任务。本文在IEMOCAP、MELD和AVEC三个公开数据集上进行大量的对比实验,三个单模态的结果都证明了在对话情绪分析中,对历史话语按照说话人进行区分的模型效果更好。（2）针对单模态信息不够全面的问题,本文提出了能够充分考虑多个模态信息的多模态对话BERT模型。其首先利用BERT模型分别对文本、语音和视觉模态历史信息进行时序建模,然后将这三个模态经过BERT模型处理后的输出进行融合,最后利用这个融合特征进行情绪分析。本文在IEMOCAP数据集上探索了四种不同的融合方法:直接拼接、注意力融合、低秩张量融合、门控融合,直接拼接得到了最好的效果。并在MELD和AVEC两个数据集上对模型进行了大量的实验。最后模型对于IEMOCAP情绪六分类和MELD情绪七分类的准确率分别为70.4%、65.8%。模型在AVEC数据集上效价、唤醒、期望和能量情绪维度上的Pearson相关系数分别为0.73、0.6、0.38、0.36,优于目前大部分主流模型。