针对现有的许多研究忽略了说话人的情绪和情感的相关性的问题，提出一种情感增强的图网络对话文本情绪识别模型——SBGN。首先，将主题和对话意图融入文本，并微调预训练语言模型RoBERTa以提取重构的文本特征；其次，给出情绪分析的对称学习结构，将重构特征分别输入图神经网络（GNN）情绪分析模型和双向长短时记忆（Bi-LSTM）情感分类模型；最后，融合情绪分析和情感分类模型，将情感分类的损失函数作为惩罚以构建新的损失函数，并通过学习调节得到最优的惩罚因子。在公开数据集DailyDialog上的实验结果表明，相较于DialogueGCN模型与目前最先进的DAG-ERC模型，SBGN模型的微平均F1分别提高16.62与14.81个百分点。可见，SBGN模型能有效提高对话系统情绪分析的性能。

已有瞌睡识别算法多数基于机器学习或深度学习，没有考虑到人眼闭合状态序列与瞌睡之间的关系。针对上述问题，提出了一种基于人眼状态的瞌睡识别算法。首先，提出了人眼分割和面积计算模型，基于人脸68个特征点，根据人眼特征点构成的极大多边形分割出眼睛区域，并利用眼睛像素点的总数代表眼睛面积大小；其次，计算极大状态下的人眼面积，并利用关键帧挑选算法挑选出最能代表睁眼程度的4帧，根据这4帧的人眼面积与极大状态下的人眼面积计算睁眼阈值，从而构建眼睛闭合度得分模型来确定人眼闭合状态；最后，根据输入视频的人眼闭合得分序列，构建了基于连续多帧序列分析的瞌睡识别模型。在两个国际常用的打哈欠检测数据集（YawDD）和NTHU-DDD数据集上进行瞌睡状态识别，实验结果表明，所提算法在两个数据集上的识别准确率均在80%以上，尤其是在YawDD数据集上，识别准确率达到94%以上。该算法可应用于驾驶员驾驶状态检测、学习者课中状态分析等。