人脸表情蕴含了丰富的情感信息,是人类传递信息的一种重要方式,能够直观的反映出人类的内心想法,在人际交往的过程中起着不可或缺的作用。随着计算机视觉与人工智能的蓬勃发展,人脸表情识别技术引起了科学家们的广泛关注,逐渐成为一个研究热点。目前人脸表情识别技术已经广泛应用于智能交通、医疗、人机交互、刑侦以及线上教育等领域,具有非常重要的研究价值。人脸表情识别技术通过提取人脸面部的表情特征,对表情特征进行分类,从而判断人脸表情的所属类别,而人脸表情识别技术的关键在于如何有效的提取人脸表情特征。传统的人脸表情识别方法主要依赖人工的方式来进行人脸表情特征的提取,存在特征提取效率低,特征提取过程复杂,识别准确率低等缺点。随着深度学习以及卷积神经网络的快速发展,人脸表情识别技术也得到了飞速提升。卷积神经网络可以实现自动提取人脸表情特征,但是如何设计卷积神经网络,使其可以提取更加全面、更有区分度的特征,从而提高卷积神经网络的人脸表情识别准确率,仍然是人脸表情识别研究的重点。针对上述问题,本文选取VGG16网络和Res Net18网络作为人脸表情特征提取的基础网络,并在此基础上进行改进,从而提高了人脸表情的识别准确率。本文完成的主要研究工作如下:1、根据人脸表情识别的发展趋势以及课题要求,在掌握了深度学习、卷积神经网络与人脸表情识别的相关理论的基础上,提出了本文人脸表情识别的整体设计方案。2、针对VGG16网络存在人脸表情特征提取不充分,识别准确率较低的问题,本文提出了一种基于VGG16网络的改进人脸表情识别网络模型。首先将VGG16网络划分为五个Block,然后将VGG16网络的最后三个Block提取的特征进行融合,融合浅层特征与深层特征,使网络提取的特征信息更加充分,并添加SGE（Spatial Group Enhance,SGE）注意力模块,帮助网络更加精准的提取人脸表情特征,同时对全连接层进行删减,采用一个全连接层直接输出分类结果,减少网络的参数量。实验结果表明,原始的VGG16网络在FERPlus数据集、RAF-DB数据集和SFEW数据集上的识别准确率分别为87.41%、81.35%和50.00%,本文改进后的VGG16网络在FERPlus数据集、RAF-DB数据集和SFEW数据集上的识别准确率分别达到了89.50%、86.70%和56.88%,相比原始的VGG16网络,识别准确率分别提高了2.09%、5.35%和6.88%,表明本文改进后的VGG16网络具有更高的人脸表情识别准确率。3、针对Res Net18网络在下采样时存在特征信息丢失以及特征提取不充分,导致人脸表情识别准确率较低的问题,本文提出了一种基于Res Net18网络的改进人脸表情识别网络模型。首先对Res Net18网络的残差块以及下采样层进行改进,采用局部重要性池化缓解下采样时特征信息丢失的问题,然后加入重新校准模块,对输出特征图进行通道权重的重新校准,提高网络对重要特征信息的表征能力,最后将提取到的特征送入全连接层进行人脸表情分类。实验结果表明,原始的Res Net18网络在FERPlus数据集和FER2013数据集上的识别准确率分别为87.83%和69.99%,本文改进后的Res Net18网络在FERPlus数据集和FER2013数据集上的识别准确率分别达到了89.75%和73.95%,相较原始的Res Net18网络,识别准确率分别提高了1.92%和3.96%,表明本文改进后的Res Net18网络具有更高的人脸表情识别准确率。同时基于本文改进后的Res Net18网络,设计了一个人脸表情识别系统,实现静态图像、动态视频以及实时的人脸表情识别。