语音情感识别作为目前模式识别、信号处理等领域的研究方向,其在人机交互中的应用逐渐成为人们关注的热点。所谓语音情感识别,即使用一定的算法对语音信号进行情感分类,如将语音信号划分为“高兴”、“悲伤”“厌恶”等情感类别中的某一种。在语音情感识别的研究历史中,已出现大量有效的方法来解决语音情感识别中出现的多种问题,但大多方法使用单一的数据库来研究。然而,在实际的情感识别应用领域,由于数据采集环境、设备等的不同造成了训练语料库（源域）与测试语料库（目标域）之间数据分布存在很大的差异。本文将针对此问题进行跨数据库语音情感识别研究,即训练集与测试集来自不同的数据库。此外,跨数据库语音情感识别研究主要包括特征与分类器模型两方面的研究。本文的主要工作如下:（1）提出了一种目标适应的子空间学习模型跨库语音情感识别的方法。该方法通过寻找一个投影子空间将语音特征投影到标签空间,以此建立源域与目标域之间的关系,并更有效的减少其特征分布的差异。为获得更有效的投影矩阵,将l1与l21,范数作为此模型的正则项。最后,提取INTERSPEECH情感挑战赛中的IS09与IS10特征集,并在三个公开数据库（Emo DB、e NTERFACE与AFEW4.0）对此模型进行实验验证,同时与现有的跨库语音情感识别方法进行对比,结果表明此方法有效且IS09特征集优于IS10特征集。（2）结合长短时记忆网络对目标适应子空间学习模型进行深度化实现。针对本文提出的目标适应子空间模型,实验证明其优越性,而在跨库研究中,更有效的特征也是研究重点。本文进一步将传统机器学习中提取的IS09特征作为网络输入,并且根据模型设计两层全连接层相应的损失函数,以此来减小源域与目标域之间的特征差异,并结合长短时记忆网络进行情感分类。最后将此模型与其他域适应模型进行对比,实验结果表明,此模型可取得较好的效果。