语音是人与人之间最自然、最便捷的交流方式,语音中不仅包含文字信息,还包含丰富的情感信息。随着科技的发展,旨在从语音中提取说话人情绪状态的语音情感识别成为实现人机交互的重要方式,具有重要的研究价值和广阔的应用前景。近年来,自动语音识别技术已经能够准确提取语音中的文本信息,使得融合声学特征与文本特征进行情感识别成为可能。本文研究了基于文本和声学特征的语音情感识别,具体研究工作如下:首先,针对传统RNN只能串行计算、计算速率慢的问题,搭建了高速并行的CNN-SRU网络模型,并为其设计了采样值点、声学复合特征和三维声学复合特征三种特征输入。在IEMOCAP数据库上进行实验验证,发现使用三维声学复合特征的CNN-SRU模型识别效果最佳,识别准确率达67.72%。与CNN-BiLSTM模型进行对比实验发现,CNN-SRU模型在牺牲了少量识别准确率的情况下,识别速度得到明显提升。其次,针对语音中情感分布不均衡的问题,引入通道和时间注意力机制,使用通道注意力关注不同通道之间特征的差异性,使用时间注意力关注不同时序上特征的差异性,并搭建了三种基于注意力机制的语音情感识别模型,分别是基于通道注意力机制的CACRNN模型、基于时间注意力机制的TACRNN模型和基于双注意力机制的DACRNN模型。其中,DACRNN的识别性能最佳,在IEMOCAP和Berlin EMO-DB数据库上进行实验验证,识别准确率分别达到71.12%和95.80%,优于多个已有的语音情感识别模型。最后,在DACRNN模型的基础上引入文本特征来丰富情感信息,搭建基于文本和声学特征的语音情感识别模型,包括特征层融合的FLFTAF模型和决策层融合的DLFTAF模型,两者在IEMOCAP数据库上进行实验验证,识别准确率分别达到74.27%和77.18%,识别效果优于采用单一特征的情感识别模型,DLFTAT模型识别效果优于多个已有的语音情感识别模型。