人脸表情因为能传达丰富的信息所以在人类社交互动中扮演着重要的角色。本文通过计算机视觉手段分析了人眼难以察觉的人脸表情之一的微表情,它是一种快速的、潜意识的人脸表情,属于一种基本的非语言行为,它揭示了人类试图隐藏的某些情感。同时,因为微表情难以被产生者察觉的特性,其在国家安全、计算机辅助诊断等领域有着广泛的应用。然而,从监控视频捕获的人脸图像序列常常遭受低质量问题的困扰,这导致常规微表情识别算法在实际应用中面临巨大挑战。为了解决上述问题,本文对低分辨率环境下微表情识别问题进行了全面的研究,提出:(1)在对主动形状模型人脸标定算法优化的基础上从基于纹理和基于结构两方面对低分辨率环境下的微表情图像序列超分辨率重建,使用Fast LBP-TOP特征提取符提取重建后图像序列的时空信息,对上述信息使用线性支持向量机分类获得最终的微表情识别准确度。(2)针对传统机器学习方法识别低分辨率环境下微表情过程冗长和准确度不高等问题,本文在对现有数据集融合和增强处理的基础上,提出基于残差神经网络的伪三维网络结构,实现端到端的全自动化微表情识别任务。(3)本文搭建了首个低分辨率环境下微表情可视化识别操作系统——LMERS,采取可视化手段促进低分辨率环境下微表情识别问题的研究。本文提出的基于传统机器学习的方法在退化处理的两个数据集上进行了实验并获得了良好的识别结果,这打破了现有算法无法识别低分辨率微表情的处境。提出的基于深度学习的方法在增强后的数据集上达到了比基于传统机器学习更高的准确度。