微表情是一种持续时间短、强度微弱的自发面部表情,并且难以通过肉眼进行识别。由于微表情的发生不受人们主观意识的控制,因此能够揭示人们内心真实的情绪。微表情在案件侦破、心理疾病诊断以及商业谈判等场合中,具有重大的应用前景。微表情是由微弱的肌肉运动产生,并且相关的肌肉运动只发生在局部的区域,导致微表情的特征难以被算法模型捕获。在现有的研究中,微表情识别算法并没有达到理想的识别效果。现有的微表情识别算法通常是基于人脸的全局特征、局部特征或者全局特征与局部特征的结合,很少对人脸局部区域之间的关系进行关注。微表情局部肌肉之间的运动关系能够表达微表情的运动模式,对于提升微表情识别的效果具有帮助。图结构表达是一种基于结点和边的特征表达方式,其优势在于不仅可以通过结点来关注局部区域的特征信息,而且能够通过边来捕获局部区域之间的关系。论文将微表情定义为图结构表达,其中基于人脸特征点的窗口被定义为结点,同时窗口之间的关系被定义为边。理论上,基于图结构表达的算法模型能够捕捉到更具鉴别性的微表情特征。针对上述问题,论文提出一种新颖的基于图结构表达的微表情识别技术。首先,论文通过基于深度学习的运动放大网络,将微表情微弱的肌肉运动进行了放大,并从中间层提取放大后的几何特征。其次,为了更好地提取人脸局部区域的微表情特征,论文在放大后的几何特征上提取微表情的显著贡献区域来构建图结构表达。接下来,论文提出两种基于深度学习的算法来自适应地学习图结构表达并完成微表情识别。两种算法分别是基于图结构表达和时间卷积网络的微表情识别算法（Graph TCNet）,以及基于图结构表达和动作单元的微表情识别算法（FGFAUNet）。在Graph TCNet算法模型中,一个通道学习结点特征,另一个通道学习边特征,最后,两个通道进行融合并完成微表情识别。在FGFAUNet算法模型中,结点特征的学习是采用深度可分离卷积中的depthwise卷积,边特征的学习是采用Transformer中的encoder。随后通过神经网络的训练,得到图结构表达的特征表示。此外,动作单元的特征是通过word embedding和图卷积神经网络来学习。最后,论文提出一种融合机制将动作单元特征融合进图结构表达中,并完成微表情的识别。论文提出的Graph TCNet算法模型和FGFAUNet算法模型在多个分类标准的数据集下进行了算法验证,其中包括CASMEⅡ、SAMM的单一数据集和两者的复合数据集以及2019微表情挑战赛的数据集（包括CASMEⅡ、SAMM以及SMIC）。各项算法验证均取得了当前具有竞争力的识别率,实验结果表明论文提出的方法能够改进微表情的识别效果。