对人类的情绪和心理进行理解是实现人工智能的重要步骤,而正确识别人脸表情则是是判断人类对象情绪与情感的关键。因而,人脸表情识别是智能人机交互技术研究的关键内容,同时也是计算机视觉领域的一个重要研究方向。传统的表情识别往往是针对在实验室条件下拍摄的人脸表情图像,经过学界的努力,针对这种问题的算法已经取得了很大的进步。而人脸细微表情则是指幅度较小的普通真实表情,且这一问题下的图像光照和人脸姿态都不受限制,可以看作是传统表情的“难例”,而传统算法往往难以发掘人脸细微表情中更加细小的判别性信息和不同局部肌肉运动间的联系。针对上述问题,本文利用深度学习中的视觉注意力机制对细微表情中的微小肌肉运动及其关联进行建模,尝试提取更具判别性的特征。主要工作如下:1)设计一种基于层级化注意力的人脸细微表情识别算法。深度神经网络的低层特征、中层特征、以及高层特征分别包含从边缘,形状,乃至语义的不同信息。因此,通过在神经网络的不同层次分别使用注意力机制,以对网络中不同特征的显著性信息进行加强,对无关信息进行抑制,从而使后续操作更易关注于图像的有用特征,提高网络的判别能力。该算法在人脸细微表情数据集LSEMSW上进行了实验验证,达到了36.73%的识别正确率,取得了有竞争力的算法性能。实验结果表明,本文算法可以达到有竞争力的识别正确率,证明了本章所设计的基于层级化注意力的细微人脸表情识别算法的有效性。2)提出一种基于局部-关联注意力的人脸细微表情识别算法。首先,由于细微表情中人脸变化幅度小,判别性特征难以提取,本文通过利用多个注意力掩模,每一个掩模关注于不同局部的单一模式,提取该局部的微小特征,并施加约束项使得不同注意力模块关注人脸不同区域。另一方面,考虑到在做表情时人脸不同局部的变化同时发生、具有关联性,因而利用关联注意力模块提取人脸局部变化之间的共生关系。最后,设计了一种高效的特征融合模块,将多个局部特征和全局的关系特征进行降维和融合,进行表情分类。该算法在两个数据集上进行了验证,在细微表情数据集LSEMSW上取得了38.61%识别正确率,较之前算法提升了1.94%;同时也在传统表情数据集CK+上的识别准确率为96.9%,较之前算法提升了0.5%,达到了该数据集上的最佳精度。实验表明,该算法能够对微弱的人脸特征及不同局部的关联进行较好的建模,并提升细微人脸表情识别的识别正确率。同时,该算法也可以在传统表情数据集上取得最佳性能,表明其有较好的模型泛化能力。