对话交流是自然人表达情感的主要方式之一,分析文本对话中的情感是实现人机设备智能化、情感化的关键步骤。然而,由于自然对话内容的多样性、人类情感的多变性,现有文本对话情感分析方法存在深层语义信息利用不足、不同类型特征交互不充分等问题。为此,从语境上下文和社交背景信息出发,通过层次特征的高效提取与交互融合进行研究。1.针对对话语境中提取上下文特征与细粒度特征时存在的矛盾,不同层次信息交互不足的问题,提出一种基于语境的层次特征交互学习对话情感识别网络模型。首先,通过双向门控循环单元和混合卷积组,分别在上下文层级和细粒度层级提取情感特征与行为意图特征,用以平稳处理特征信息并减少彼此间冲突。其次,利用协同注意力机制融合已处理的不同层级特征,使之充分交互,最终送入分类器获得情感类别。最后,在两个多分类公开对话数据集上（Dailydialog数据集与MELD数据集）进行实验分析,结果显示所提模型的性能优于现有基线模型,证明了该模型的有效性。2.针对对话中说话人背景信息对情感影响的缺失,深层语义利用不完整的问题,提出一种结合社交背景的层次特征融合对话情感识别网络模型。首先,采用大规模语料库进行预训练以获得包含社交背景的先验知识。其次,分别借助分层循环神经网编码解码器提取社交背景特征,双向门控循环单元连接混合卷积组提取情感特征。然后,通过多头注意力机制融合两种特征并进行权重再分配,充分交互所得的特征信息,并由分类器输出情感类别。最后,在两个多分类公开对话数据集上（DialogRE数据集与EmoryNLP数据集）进行实验分析,结果显示所提模型的性能同样优于现有基线模型,表明了该模型的优越性。