理解表达的情感与情绪是人类多模态语言中的两个关键因素。本文提出了一种基于Transformer的联合编码模型（Transformer-based Joint-encoding, TBJE），用于情感识别与情感分析任务。除了采用Transformer架构外，该方法还引入了模块化的协同注意力机制与视觉“瞥见”（glimpse）层，以实现对一种或多种模态信息的联合编码。所提出的模型已提交至ACL2020第二届多模态语言大型挑战赛（Second Grand-Challenge on Multimodal Language），并在CMU-MOSEI数据集上进行评估。用于复现本文实验的代码已开源，地址为：https://github.com/jbdel/MOSEI_UMONS。