表情是人类表达情感最直接有效的方式之一。由于表情识别在社交机器人、疲劳驾驶监控和数字娱乐中的广泛应用,越来越多的研究人员对这一方向进行了深入研究。现有方法大多为单标签表情识别方法,而日常生活中,人脸表情往往是多种情绪的复合,即多标签表情。由于多种情绪之间存在耦合现象,导致现有表情识别方法难以在该任务上取得令人满意的效果。为解决这一问题,本文针对自然场景下的多标签表情识别展开研究。提出了基于自监督的多标签表情识别方法,该方法包括自监督训练策略、基于多分支的特征抽取模块和多标签表情特征融合模块。为解决训练数据不足的问题,引入了自监督训练策略以增加训练数据的数量和多样性,从而提高模型的泛化能力。为提高模型对于每种基本表情的判别能力,设计基于多分支的特征抽取模块,通过注意力机制从图像整体特征图中分别抽取表现不同表情的局部特征,实现表情特征分离。为利用表情之间的关联性,采用基于注意力机制的特征融合方式融合每种表情特征形成多标签表情特征。实验发现,该方法在多标签表情识别数据集RAF-ML上取得0.886的平均准确率,较现有方法提高了0.7%。提出了基于排他-共有交互学习的多标签表情识别方法,该方法包括基于多分支的表情解耦模块和条件对抗交互学习模块。设计构建基于多分支的表情解耦模块,在图像特征图的基础上进一步学习复合表情的共有特征和不同表情的排他特征,实现更深层次的表情特征解耦。为充分利用表情排他与共有特征之间的互补性,设计了条件对抗交互学习模块,使两种特征趋于一致的特征空间分布,实现特征之间的交互学习,进而获得有效且完备的多标签表情特征表示。在多标签表情数据集与单标签表情数据集上的大量实验证明了该方法对于表情识别任务的有效性。其中,该方法在RAF-ML数据集上取得了0.897的平均准确率,较现有方法提高了1.8%,取得了多标签表情识别的最佳性能。