针对视频多模态情感分析中，未考虑跨模态的交互作用以及各模态贡献程度对最后情感分类结果的影响的问题，提出一种基于注意力机制的特征融合-双向门控循环单元多模态情感分析模型（AMF-BiGRU）。首先，利用双向门控循环单元（BiGRU）来考虑各模态中话语间的相互依赖关系，并得到各模态的内部信息；其次，通过跨模态注意力交互网络层将模态内部信息与模态之间的交互作用相结合；然后，引入注意力机制来确定各模态的注意力权重，并将各模态特征进行有效融合；最后，通过全连接层和softmax层获取情感分类结果。在公开的CMU-MOSI和CMU-MOSEI数据集上进行实验。实验结果表明，与传统的多模态情感分析方法（如多注意力循环网络（MARN））相比，AMF-BiGRU模型在CMU-MOSI数据集上的准确率和F1值分别提升了6.01%和6.52%，在CMU-MOSEI数据集上的准确率和F1值分别提升了2.72%和2.30%。可见，AMF-BiGRU模型能够有效提高多模态的情感分类性能。

为解决在公共信道传播过程中由于图像中的隐私内容泄漏从而危害信息安全的问题，提出一种新的灰度图像加密方法。新方法采用coupled logistic映射迭代来产生二维混沌序列，其中一个序列用于生成猫映射的系数，另一个用于置乱像素位置。传统的基于猫映射的图像加密方法是加密图像像素位置，而新的加密方法是对每个像素组使用不同的猫映射系数，从而变换组内每个像素的灰度值。除此之外，方法还采取双向扩散提高安全性能。所提方法加密解密过程简单，执行效率高，对图像尺寸没有要求。安全性分析表明，该加密方法对密钥十分敏感，且在多种攻击手段下都具有较好的稳定性。