微表情是指一种持续时间极短且不能自主控制的面部表情,它可以揭示人类试图隐藏的某种真实情感,因此在测谎、警察诊断、商务谈判、精神分析等方面得到了广泛应用。相比于宏表情,微表情持续时间在1/25至1/5秒之间,面部肌肉收缩或舒张幅度很小,因此识别具有很大难度。针对此问题,如何充分利用微表情的特点,有效地识别微表情已成为目前情感识别领域的研究热点之一。已有研究表明,一方面传统的手工特征可有效地提取微表情的特征,并在微表情识别方面取得了很好的性能,另一方面卷积神经网络在计算机视觉的多个领域,如图像分类、对象识别、行为分析等,表现出了强大的图像特征提取能力。基于此,针对微表情识别问题,本文提出了两个基于卷积神经网络的微表情识别算法。具体工作如下:(1)针对手工特征表达能力单一问题,本文构建了一个具有金字塔结构的CNN模型,提取微表情视频序列中峰值帧的CNN特征。同时,利用LBP-TOP算子提取视频序列的动态纹理特征。融合动态时空LBP-TOP特征与CNN特征,最终使用支持向量机进行微表情识别。(2)为了获取微表情视频序列各帧之间在时域上的关联性,本文提出了一种基于VGG-16网络的CNN模型与长短期记忆(Long Short-Term Memory,LSTM)网络相结合的微表情识别算法,称为CNN-LSTM深度网络模型。该网络中的CNN可以提取微表情视频中的空间域特征,LSTM网络则能够提取微表情视频在时间域上的特征,由此得到微表情的时空特征。最后,将LSTM网络各单元的输出求平均值,通过一个全连接层识别微表情。在CASME II微表情公开数据集,本文对于以上两种算法分别上进行了实验。实验结果表明,本文提出的两个算法均具有较好的微表情识别性能。