1.一种基于多领域统计特征和改进CNN的含噪语音情感识别方法，其特征在于，包括以下步骤：步骤1：首先对语料库中的纯净语音进行加噪处理，其次提取语音信号的相关多领域特征，即以对情感分类贡献度较高的特征为主，对语音增强贡献度较高的特征为辅，两者融合，生成一组特征集，采用统计函数对已提取的特征进行筛选，降低特征冗余度，得到冗余度低、情感区分度高的多领域统计特征；

步骤1‑1：在不同信噪比下，读取语音，将噪声与其混合，生成加噪混合语音信号；

步骤1‑2：对每一句输入的时域连续语音信号进行采样，然后采用预加重、分帧加窗、端点检测技术对语音信号进行预处理，得到预处理后的语音信号；

步骤1‑3：针对预处理后的语音信号，提取常用于情感分类任务的MFCC、MFCC一阶差分、过零率、RMS、基音频率特征和常用于语音增强的幅度谱特征，两种不同领域特征进行融合，生成一组特征集；

步骤1‑4：对已提取的特征进行筛选，计算每条输入语音的统计特征，即对一条语音的各帧进行统计，得到包含最大值、最小值、均值、方差和中值的统计特征，将五种统计特征进行拼接融合，得到一组冗余度低，情感贡献度高的多领域统计特征集；

步骤2：搭建基于语音增强联合约束CNN‑DNN的框架，主任务为噪声环境下的情感分类，次任务为语音增强，得到系统模型；

步骤2‑1：搭建基于语音增强联合约束CNN‑DNN的公用网络，采用三层卷积层、三层最大池化层的CNN结构，其中，CNN提取的深层特征将通过Flatten层；

步骤2‑2：搭建主任务，即噪声环境下语音情感分类的网络：采用五层DNN结构作为步骤

2‑1中公共网络的全连接层，分别为输入层、dropout层、隐层、dropout层和输出层， DNN网络与前置公用网络CNN相连接，得到噪声环境下语音情感分类主任务的整体结构；

步骤2‑3：搭建次任务，即噪声环境下语音增强的网络：采用五层DNN结构作为步骤2‑1中公共网络的全连接层，分别为输入层、dropout层、隐层、dropout层和输出层， DNN网络与前置公用网络CNN相连接，得到噪声环境下语音增强次任务的整体结构；

步骤2‑4：调整前置公用网络CNN与主次任务DNN网络的衔接，使得两个DNN网络呈并联结构，前置公用网络CNN与DNN网络呈串联结构，生成基于语音增强联合约束CNN‑DNN的框架；

步骤3：将多领域统计特征作为系统模型的输入，用于训练联合约束CNN‑DNN模型以提取语音信号的多元化深度特征以及与情感分类标签高度相关，且对噪声具有鲁棒性的信息，得到输出层的情感分类结果；

步骤4：对所提出的基于多领域统计特征和改进CNN的含噪语音情感识别方法进行性能评估。

2.根据权利要求1所述的基于多领域统计特征和改进CNN的含噪语音情感识别方法，其特征在于：所述的步骤1包括：步骤1‑1：在不同信噪比下，读取语音，将噪声与其混合，生成加噪混合语音信号；

步骤1‑2：对每一句输入的时域连续语音信号进行采样，然后采用预加重、分帧加窗、端点检测技术对语音信号进行预处理，得到预处理后的语音信号；

步骤1‑3：针对预处理后的语音信号，提取常用于情感分类任务的MFCC、MFCC一阶差分、过零率、RMS、基音频率特征和常用于语音增强的幅度谱特征，两种不同领域特征进行融合，生成一组特征集；

步骤1‑4：对已提取的特征进行筛选，计算每条输入语音的统计特征，即对一条语音的各帧进行统计，得到包含最大值、最小值、均值、方差和中值的统计特征，将五种统计特征进行拼接融合，得到一组冗余度低，情感贡献度高的多领域统计特征集。

3.根据权利要求1所述的基于多领域统计特征和改进CNN的含噪语音情感识别方法，其特征在于：所述的步骤2包括：步骤2‑1：搭建基于语音增强联合约束CNN‑DNN的公用网络，采用三层卷积层、三层最大池化层的CNN结构，其中，CNN提取的深层特征将通过Flatten层；

步骤2‑2：搭建主任务，即噪声环境下语音情感分类的网络：采用五层DNN结构作为步骤

2‑1中公共网络的全连接层，分别为输入层、dropout层、隐层、dropout层和输出层， DNN网络与前置公用网络CNN相连接，得到噪声环境下语音情感分类主任务的整体结构；

步骤2‑3：搭建次任务，即噪声环境下语音增强的网络：采用五层DNN结构作为步骤2‑1中公共网络的全连接层，分别为输入层、dropout层、隐层、dropout层和输出层， DNN网络与前置公用网络CNN相连接，得到噪声环境下语音增强次任务的整体结构；

步骤2‑4：调整前置公用网络CNN与主次任务DNN网络的衔接，使得两个DNN网络呈并联结构，前置公用网络CNN与DNN网络呈串联结构，生成基于语音增强联合约束CNN‑DNN的框架。

4.根据权利要求1所述的基于多领域统计特征和改进CNN的含噪语音情感识别方法，其特征在于：所述的步骤3包括：步骤3‑1：首先将多领域统计特征集输入给基于语音增强联合约束CNN‑DNN网络，对联合约束CNN‑DNN进行无监督的训练，接着，引入有监督的误差反向传播进行参数的微调，当主次任务上各自的损失函数值均达到最小，即联合约束CNN‑DNN的损失函数收敛时，训练完成，得到基于多领域统计特征和语音增强联合约束CNN‑DNN模型；

步骤3‑2：将语音输入给训练完成的联合约束CNN‑DNN模型，通过主次任务联合约束的前置CNN后，得到语音信号的多元化深度特征以及与情感分类标签高度相关，且对噪声具有鲁棒性的信息，将其输入给主任务的DNN网络全连接层，通过输出层的激活函数得到最终情感分类结果。