随着人工智能的快速发展,人们对人机交互的人性化和智能化有了更高的要求,这使得情感计算成为当前的研究热点之一。情感识别作为情感计算研究领域的一个分支,具有广阔的应用前景。目前情感识别的主要研究方法有,基于单模态的情感识别和基于多模态融合的情感识别。在情感识别的研究中,由于单一的模态信息不能完整的表达情感信息,因此研究者们从单模态的情感识别研究逐渐向多模态情感识别转换。现阶段的研究者们使用的多模态情感识别算法,没有充分利用多模态之间的上下文相关性信息,带来了情感识别分类准确率不高的问题。所以本文针对上述问题,提出一种基于上下文的低秩张量多模态融合网络模型,可以解决目前情感识别算法存在的问题,并且该模型对情感识别具有研究意义。在多模态情感识别任务中,研究者们使用一种端到端学习的张量融合网络,该网络可以对模态内和模态间的动态作用进行建模,从而提高了在复杂场景下的情感识别准确率。张量融合网络方法的关键是将输入模态转换为张量进行相应的训练,但会带来维数和计算复杂度指数级增加的问题。为解决目前多模态情感识别算法中存在未能充分利用信息间相关性的问题,本文提出使用门控循环单元（Gate Recurrent Unit,GRU）对模态内的上下文相关性进行建模,这样不仅能够充分利用视频数据中的有效信息,而且使得本文所提的网络模型在训练中具备传递上下文信息的能力,从而实现融合分类性能的提升。本文提出的基于上下文建模的低秩张量融合网络算法解决了模态间融合时维数过高和计算复杂度呈指数增加的问题,同时该算法提高了多模态情感识别的分类效率。为进一步验证本文算法的分类效率和分类准确率,在CMU-MOSI、POM和IEMOCAP三个不同的数据集上进行实验,实验结果表明,将本文算法与张量融合网络方法相比,在三种数据集上的情感识别分类精度各自提高了2.9%、1.3%和12.2%,并且与其他方法相比,本文提出的方法在分类效率和分类准确率都有了明显的提升。因此本文所提算法为多模态融合的情感识别研究提供了一定的理论参考。