表情信息能传达出一个人的情绪状态、行动意图,是日常交流的主要方式。随着人工智能以及大数据时代的来临,人脸表情识别成为模式识别、机器视觉等领域的热点研究课题。人脸表情是人类彼此交流沟通的一种独特方式,赋予机器人感知面部表情的能力是实现智能人机交互的关键技术之一。随着GPU、存储器等计算机软硬件技术的发展,使人脸表情识别技术应用更加广泛,但这也对人脸表情识别技术提出了更高的要求。传统的人脸表情识别方法主要依靠人工设计出适合某一场景的特征提取算法,这种方式前期的特征提取步骤繁琐、计算过程复杂、特征维数巨大,还会影响有价值表情特征信息的表达。传统的方式对人脸表情进行识别难以满足实际的需要,有很大的局限性。深度神经网络以纯数据为依托,打破了复杂特征提取的方式,其能够隐式的学习到更有价值的表情特征信息。在现实生活中对人脸表情进行识别,因为肢体动作对人脸的遮挡,会使表情特征信息表达不充分。被遮挡的人脸区域往往含有大量有价值的表情特征信息,直接对其进行特征提取,会影响识别结果。本文提出了改进的卷积神经网络进行人脸表情识别。论文主要完成了以下工作:（1）对深度学习的理论算法进行了研究。目前主流的表情数据集均来自国外,为了消除人种的差异带来的影响,建立了取自真实场景的表情数据集并对其进行了数据验证。对Fer2013、CK+数据集进行了人脸检测、灰度化、均衡化和数据增强等数据预处理,排除外界因素对特征提取的干扰。基于Tensor Flow深度学习框架下搭建了一种具有连续卷积特性的卷积神经网络,该网络具有14层结构,并使用交叉熵损失函数进行损失计算,运用Adam优化器对其权重参数进行优化训练,在Fer2013、CK+人脸表情数据集上进行迭代训练,准确率分别达到了94.12%和93.75%,优于其他算法。（2）构建了深度卷积生成对抗网络对遮挡的人脸表情图像进行修复,因为修复后的人脸表情图像不能代表真实图像的特征信息,直接对其进行表情识别效果不理想。基于这种问题,构建了一种双通道卷积神经网络,该卷积神经网络引用Inception模组和skip connection结构。其具有双通道的结构,主通道卷积神经网络用于训练正常的人脸表情数据集,辅任务通道采用多任务学习的思想,将修复后的遮挡人脸表情图像作为训练数据集,学习其特征信息,将两种特征进行融合,使用交叉熵损失函数进行损失计算,运用Adam优化器对其权重参数进行优化训练,在Fer2013、CK+人脸表情数据集上进行了训练,准确率分别达到了88.17%和86.76%,对局部遮挡的人脸表情图像识别效果稳定。