抽象艺术旨在通过颜色、线条、形状等视觉艺术元素来表达作品的审美和情感。对抽象图像进行自动情感识别不仅有利于艺术品信息管理,也能够促进抽象艺术的普及和推广。传统基于统计机器学习方法的抽象图像情感识别模型大多需要人工设计视觉特征,这种方式不仅费时费力而且存在“语义鸿沟”问题。卷积神经网络(Convolutional Neural Network,CNN)能够逐层抽象地自动学习图像特征,从而有效地弥合图像像素与人类感知之间的鸿沟,这使得它被广泛应用于计算机视觉领域。但是训练卷积神经网络需要大规模数据集,而标注成本过高导致现有的抽象图像情感识别数据集不足以充分训练卷积神经网络。本文基于深度学习和迁移学习技术设计了两种不同的抽象图像情感识别算法,旨在解决抽象图像情感识别所面临的小样本问题。主要研究内容和创新点如下:1.针对抽象图像情感识别的小样本问题,提出了一种基于两层迁移卷积神经网络的抽象图像情感识别方法。该方法将两层迁移学习策略引入传统的卷积神经网络,利用深度特征的层次性,首先迁移大规模通用图像数据集的浅层网络权重来学习提取普适的底层图像特征,然后迁移抽象图像风格分类数据集的深层网络权重来学习提取抽象图像的专有高层语义特征,从而缓解源域与目标域数据分布差异导致的欠匹配问题。实验结果表明,与传统的抽象图像情感识别方法相比,所提出的方法能够有效弥合抽象图像底层视觉特征与高层情感语义间的鸿沟,同时缓解抽象图像情感识别所固有的小样本缺陷。2.针对迁移学习的负迁移问题,提出了一种基于选择性联合微调的抽象图像情感识别方法。在迁移学习中,源域学习任务可能会对目标域学习任务起干扰或抑制作用,简单地使用抽象图像情感识别数据集微调预先在源域数据集上训练的深度网络会导致负迁移问题,影响识别准确率。该方法从源域中优先选择风格相似的子集,将其与目标域数据集共享卷积神经网络权重并进行联合微调,最终得到抽象图像情感识别模型。实验结果表明,与传统的抽象图像情感识别方法相比,所提出的方法能够有效地提高识别精度。