本发明提出了一种基于声学和文本特征的多模态情感识别方法适用于语音和文本情感特征的提取。利用OpenSMILE提取输入语音的情感浅层特征，并与Transformer网络学习浅层特征后得到的深层特征进行融合生成多层次的声学特征；再将语音与转录文本进行强制对齐获取停顿信息，然后将语音中的说话停顿信息编码后添加至转录文本，送入分层密集连接DC‑BERT模型中获取文本特征，再与声学特征融合；通过BiLSTM网络利用先验知识，获取有效的上下文信息，并通过注意力机制抽取特征中突显情感信息的部分以避免信息冗余，在注意力机制后面添加全局平均池化层代替传统使用的全连接层，最后送入softmax层中进行情感分类。其步骤简单，识别精准，具有广泛的实用价值。