全文总字数：1625字

1. 研究目的与意义及国内外研究现状

语言作为人类情感行为理解的一种基本方式，在过去的十几年里，语音情感识别已经吸引了许多相关领域研究者的关注，虽然语音情感特征提取和分类器设计已经取得了进步，然而由于说话的人和内容的差异，以及环境扰动等因素的影响，设计出一个优秀的语音识别系统还是一个十分具有挑战性的问题。然而在现实应用中，来自不同地域的语音信号在说人话，语言，情感类型，录制环境以及使用方法等方面都具有一定的差异，因此需要研究容忍说话人，说话能容变化以及环境因素干扰的显著情感特征学习或提取方法以及语音情感特征迁移学习方法。

深度学习方法就能从输入信号中学习出非常有效的信号的层次非线性表示，并且能很好的运用的语音识别，图像理解等相关领域之中。对无监督语音情感特征学习方法进行分析，并提出基于卷积神经网络的语音情感显著特征学习方法，实现对语音情感的识别。

国内外研究现状

目前深度学习的结构主要是以人工神经网络网络为基础，尽管有学者经常用深度学习模型，如卷积神经网络来类比人类大脑结构，然而众多科学家指出人工神经网络只是人脑生理处理系统最简单的模仿，或者说是根据人脑生理结构进行的一种简单设计，从1980年到1990年，神经网络一直保持着飞跃式发展。但在1990年到2006年一直呈现下跌趋势，直到06年之后才又开始回升。

2. 研究的基本内容

本系统采用Python语言，通过调用python的各种库，Tensorflow框架来编写神经网络，主要是以卷积神经网络为主，实现可以进行语音和文本之间一一映射的模型，并通过API接口实现语音向文本之间的转换，并通过大量数据来训练此模型，保存各个参数，通过使用梯度下降算法来实优化代价值，达到较高精度的学习效果，从而实现语音情感的分析识别并向文本的转化。

3. 实施方案、进度安排及预期效果

实行方案：

本系统采用python语言，通过调用python的各种库，tensorflow框架来编写神经网络，主要是以卷积神经网络为主，实现可以进行语音和文本之间一一映射的模型，并通过api接口实现语音向文本之间的转换，并通过大量数据来训练此模型，保存各个参数，通过使用梯度下降算法来实优化代价值，达到较高精度的学习效果，从而实现语音情感的分析识别并向文本的转化。

进度安排：

4. 参考文献

[1] 马树文.深度学习在语音情感识别中的应用与分析[j].科技传播,2019(04):147-148 155.

[2] 乔文婷. 基于神经网络的语音情感识别算法研究[d].西安电子科技大学,2018.

[3] 金碧程. 基于深度学习的语音情感识别研究[d].北京邮电大学,2018.