情绪是人的多种感觉、思想和行为综合产生的心理和生理状态,在人类社交活动中扮演着非常重要的角色。情绪的诱发和识别是情绪研究领域中的一大热点,其在游戏设计、心理治疗、健康监测和心理学研究等领域都有重要的应用和研究价值。虚拟现实场景沉浸感强且维度较高,将其应用于情绪诱发领域获得了广泛的研究与关注。目前,基于虚拟现实场景的情绪诱发和识别研究中存在着以下问题:（1）现有的情绪诱发方法包括视觉刺激、声音、嗅觉以及多通道诱发,基于虚拟现实技术的情绪诱发素材还很少;（2）对虚拟现实场景进行情绪标注常采用SAM量表。SAM量表需要大量的纸张、批阅人力和时间支撑且量表三个维度的概念解释复杂,对于初次接触者可能难以理解。另外,目前用于情绪研究的数据集往往存在各类别样本不平衡的问题;（3）虚拟现实场景的一帧是一张球面图像,该图像无法直接作为二维卷积神经网络的输入,需要先对整个球面图像进行投影得到平面图像。现有的投影方法存在一些缺点:比如等距柱状投影后的图像是扭曲变形的,立方体投影后每一个视角只能得到原球面图像的部分信息;（4）在图像重建的过程中常使用转置卷积进行上采样,转置卷积若是参数设置不当会使得重构图像出现“棋盘效应”,导致重建效果变差。针对上述问题,本文进行了以下研究:（1）建立了一个虚拟现实场景情绪诱发数据库。用本文改进后的Kmeans算法对图像数据集提取主题色生成情绪色盘,在情绪色盘的指引下完成虚拟现实场景的视图设计与制作。原始数据库由25个网络筛选的全景视频和6个Unity3D平台自制的场景组成,通过SAM量表对场景进行标注,根据SAM量表的评估结果和受试者的体验反馈,最后保留了19个场景,其中正向3个,负向9个,中立7个。（2）基于深度学习的方法提出了单分类-多分类联合网络模型。该网络采用分级结构,单分类网络将生成对抗思想和自编码器相结合区分正常样本和异常样本,多分类网络则对正常样本再次分类。该网络训练过程不需要数据量少的那一类样本参与,解决了少样本数据收集难和预测效果差的问题。相比于传统的SAM量表,联合网络使得场景标注智能化。（3）针对球面图像立方体投影的特点,在所提出的联合网络模型的输入模块引入通道融合和注意力机制。将球面图像立方体投影得到的前右后左四幅平面图像在通道维度融合后通过注意力模块,一方面增加了输入图像的信息,另一方面又对噪声和干扰进行了过滤。引入通道融合和注意力模块后,单分类网络GANomaly的AUC达到0.850,多分类网络Res Net50的准确率达到97.5%。（4）提出了双分支上采样方法,将转置卷积、亚像素卷积和注意力机制应用于所提出的联合网络模型的上采样模块。采用双分支上采样方法后,GANomaly模型在四个数据集上的平均AUC达到了0.765,均高于转置卷积上采样和亚像素卷积上采样。将通道融合、注意力模块和双分支上采样方法用于联合分类网络模型后,其分类准确率达到82.52%。本文基于虚拟现实技术,建立了一个全新的情绪诱发材料数据库;并基于深度学习的思想提出了一种单分类-多分类联合网络分类算法,该算法为解决虚拟现实场景的智能化标注及不平衡数据集的分类提供了一种新思路。本文工作为信息技术在情绪领域的应用研究提供了有意义的参考。