在连续维度情感识别任务中，每个模态内部凸显情感表达的部分并不相同，不同模态对于情感状态的影响程度也有差别。为此，通过学习各个模态特征并采用合理的融合方式，提出一种基于层次注意力机制的多模态维度情感识别模型。在音频模态中加人频率注意力机制学习频域上下文信息，利用多模态注意力机制将视频特征与音频特征进行融合，依据改进的损失函数对模态缺失问题进行优化，提高模型的鲁棒性以及情感识别的性能。在公开数据集上的实验结果表明，相比于卷积神经网络和长短时记忆网络等方法，该模型一致性相关系数指标明显提升，并且识别效率更高，可适用于大批量数据的维度情感识别。