对话情绪识别（Emotion Recognition in Conversation,ERC）任务旨在识别对话中每一句话语的潜在情绪。这项任务作为自然语言处理（Natural Language Processing,NLP）的新兴研究方向,正受到越来越多研究者的关注,在诸如社交媒体中的意见挖掘、基于心理分析工具的医疗保健系统以及具备情绪感知能力的对话机器人等应用领域有着广泛而重要的作用。虽然ERC任务取得诸多成果,但是识别对话中每句话的情绪时依然面临着诸多待解决的问题,主要有:1)当前模型在获取语句向量表示时,仅局限关注句内上下文信息,而忽略了对话全局上下文信息;2)对话中的上下文信息内容复杂,机器从中提取的有效信息是有限的,上下文建模工作存在一定难度。针对上述难点,本文的主要工作如下:（1）现有ERC任务研究在提取句子向量时,仅局限关注于句内的上下文信息,这使得句子向量和后续的上下文建模工作存在着语义鸿沟,加大了模型理解对话内容的难度,主要原因是上下文建模是对话全局上下文敏感的,而句子向量却做不到这点。因此,本文提出了一种对话全局上下文敏感的双层模型用于提取句子向量。其中,低层模型是BERT（Bidirectional Encoder Representation from Transformers,BERT）,用于提取具有对话上下文无关性的句子向量。高层模型是Transformer,通过注意力机制将每个句子在所属对话中所传达的语义信息进行融合,使得对话中的所有句子向量都包含对话全局上下文信息。（2）现有ERC任务的部分研究依靠引入外部常识知识来辅助上下文信息建模,为模型提供了原本无法从对话内容中学习到的外部知识,取得了不错的效果。然而,普通的常识知识提供的信息也仍然是有限的,模型难以在大量外部知识中快速有效地获取到对情绪预测有用的知识。考虑到现实生活人们以第三者角度分析对话时,会根据对话内容并结合常识做出相应的推理,这些推理性常识知识能够有效地帮助人们理解对话。基于这个想法,本文提出了基于推理性常识注入的图注意网络模型用于ERC任务的上下文信息建模工作。其中,利用Commonsense Transformers（COMET）常识知识生成模型生成了7种推理关系的推理性常识,并将其注入到上下文信息建模工作中,旨在利用推理性常识帮助模型预测语句的潜在情绪。此外,图注意网络模型具有社交性网络结构的特点,适合模拟对话形式的互动关系,强大的信息汇聚能力使其对捕获对话上下文信息起着重要作用。因此,本文选用图注意网络作为上下文信息建模工作的基础模型。最后,本文将以上两个模型进行有机结合共同组成解决ERC任务的对话情绪识别模型,并在两个公开对话数据集上验证了模型的有效性,取得了有竞争力的结果。在MELD数据集上,f1分数值达到了64.8%,与当前ERC任务现有方法相比,具有一定的竞争性。而在Emory NLP数据集上,f1分数值则达到了39.4%,优于当前ERC任务现有方法。