人机交互已经成为人工智能领域的热点研究方向,但传统的人机交互只能实现准确而机械的交互功能,无法理解人的情绪。所以要想实现自然、有温度的人机交互,情绪识别是必不可少的。当前的情绪识别大多是基于单一任务的,即对每个任务训练单独的模型。这种模式存在着模型训练效率低、识别不可靠、情绪识别不全面的问题。针对上述问题,在分析现有情绪识别方法的基础上,本文提出了基于终身学习的情绪识别研究方法。利用终身学习能够兼顾多任务识别、知识正向迁移的特点,打破单一信息源情绪识别的局限性,实现更为高效、可靠、全面的情绪识别。本文的主要研究工作如下:1.创建自有数据库。针对现有情绪识别数据集独立无关联的缺陷,本文利用视频素材情绪诱导的方式,设计情绪采集实验方案,同时采集了脑电信号和人脸图像两种数据,两种数据属于同一情绪,可以互为验证。2.基于自有数据集的情绪识别,初步验证基于终身学习的情绪识别方法的有效性。基于终身学习中渐进式神经网络原理,设计并搭建双输入终身学习模型,并命名为BiProgNet,该模型能够同时对面部表情数据以及脑电信号数据进行情绪识别,识别准确率分别为91%和87.5%。实验结果证明了渐进式神经网络知识正向迁移的效果,以及将终身学习应用在情绪识别方向上的可行性。3.基于改进的Bi-ProgNet的情绪识别,进一步证明基于终身学习的情绪识别方法的有效性。在前期实验基础上,为保证实验公平性以及本文提出方法的普适性,基于公有数据集对Bi-ProgNet的网络结构进行了优化。改进后的Bi-ProgNet在知识传递过程中加入了空间注意力机制模块,通过网络自适应学习对人脸情绪识别网络所迁移的知识进行选择,给予重要知识更高的权重,减小无用、冗余信息所占比例,使得网络间的知识传递更为精准。优化后的模型在Fer2013人脸数据集以及SEED脑电数据集上分别能够达到69.94%以及75.56%的准确率。虽然预测准确率与在这两个数据集上分别进行情绪识别的模型相比不是最优,但是本模型做到了兼顾多个任务的情绪识别,并且同时在两个任务都保持较高的准确率。