随着人类社会快速迈进智能化时代,日常生活中的人机交互从刻板的方式向着语音、文本、动作和生理信号的智能方式转变。因此,人们希望计算机也能拥有独立自主的意识和思想,能够准确识别人类的情感状态,而情感识别研究不应仅仅局限于成人,儿童作为正在茁壮成长的祖国的未来,家长和老师通过准确了解他们的情绪状态,可以帮助他们缓解不必要的情绪压力,从而更好地帮助他们成长。传统的单一模态情感识别所包含的情感信息往往是有限的,且单一模态的情感识别模型存在识别精度不高的问题,因而本文通过将语音和文本进行特征融合后来对儿童进行情感识别,具体工作如下:一方面,对儿童进行情感识别时采用语音和文本双模态融合的方式来进行,并与单一模态的情感识别模型进行识别效果对比。采用神经网络对语音和文本模态进行情感特征提取,同时在单一模态的儿童语音情感识别模型中融合了语谱图特征,将频域特征与其它的语音特征相结合从而得到儿童语音情感特征,通过实验结果对比验证了语谱图中的频域特征对儿童情感识别模型的性能有所提升,验证了所提出的模型的有效性。另一方面,在进行儿童情感识别时,由于儿童语音特征和文本特征中往往存在着区分较为明显的情感和非情感信息语段,因此,在其情感特征提取过程中,直接利用双向长短期记忆网络模型进行特征提取可能会参杂与情感无关的特征,从而无法准确地对儿童情感进行识别。本文在儿童双模态情感识别模型中融合了注意力机制,并在IEMOCAP数据集和FAU-AIBO数据集上展开实验对比探究,与资料中的双模态模型的识别精度相比,本文提出的融合注意力机制的情感识别模型的识别精度提高了2%左右,验证了所提出模型的优越性。实验结果表明,本文提出的融合注意力机制的儿童双模态情感识别模型可以对儿童情感进行有效识别,并且融合语音和文本两种模态特征的儿童情感识别模型要比单一模态特征的儿童情感识别模型的识别效果更好。