近年来,网络购物和社交媒体平台不断崛起,网络上充满着大量以图文、视频等形式存在的多模态信息。传统的单模态情感分析方法表达形式单一,无法充分地利用多种模态信息,导致情感分类准确率较低。深度学习技术可以自动挖掘图文、视频中的情感状态,能够有效地将多种模态信息相结合。因此本文基于深度学习技术,对多模态情感分析模型展开了深入的研究,主要研究内容如下:1.针对图文方面级多模态情感分析中简单平均化方面单词导致语义混乱,以及未考虑文本和图像之间的交互信息问题,提出一种基于动态记忆网络-门控多模单元融合（DMN-GMUF）模型。首先,定义权重池化方法对方面单词进行处理,得到处理后的方面单词表示;其次,依据动态记忆网络的存储和处理序列特性,分别通过文本动态记忆网络和图像动态记忆网络获取文本和图像中与方面单词强相关的信息;然后,引入门控多模单元将文本与图像之间的互补信息相结合;最后,将多模态融合信息输入到softmax层进行方面级多模态情感分类。实验结果表明,DMN-GMUF模型在准确率和宏平均F1值上均有所提升,有效地提高了图文方面级多模态的情感分类性能。2.针对视频多模态情感分析中,未考虑跨模态间的交互作用以及各模态贡献程度对最后情感分类结果的影响问题,提出一种基于注意力机制的特征融合-双向门控循环单元（AMF-BiGRU）多模态情感分析模型。首先,利用双向门控循环单元来考虑各模态中话语间的相互依赖关系,得到各模态的内部信息;其次,通过跨模态注意力交互网络层,将模态内部信息与模态之间的交互作用相结合;然后,引入注意力机制确定各模态的注意力权重,并将各模态特征有效融合;最后,通过全连接层和softmax层获取情感分类结果。实验结果表明,AMF-BiGRU模型能够有效提高视频多模态的情感分类性能。