本发明提供了一种基于时间卷积与自注意力的情感预测方法及系统，包括：获取文本模态数据、音频模态数据以及视频模态数据；利用预先训练好的自编码语言模型提取文本模态数据的文本特征向量；利用预先训练好的音频特征提取模型提取音频模态的音频特征向量；利用预先训练好的视频特征提取模型提取视频模态的视频特征向量；将文本特征向量、音频特征向量以及视频特征向量进行融合，得到最终的融合后的多模态特征向量。本发明将一种基于时间卷积与自注意力机制的多模态数据特征表示方法，旨在改进当前多模态数据特征表示效果，以更好的用于多模态情感分析。