微表情是一种自发的、不易发现的、动作幅度小、持续时间短的人脸表情,广泛应用于司法侦查,医学诊断等领域。传统的机器学习算法识别率低,而将深度学习用于微表情识别任务时,通常选择增加卷积神经网络的宽度、深度以及丰富感受野等策略来提高识别率。但是由于微表情数据集样本规模较小,这些策略对提升微表情识别深度模型的效果有限。近年来,随着基于卷积神经网络研究的不断发展,迁移学习和注意力机制的应用成为提高深度网络泛化性能的有效手段,也给微表情识别模型的改善带来新方向。本文聚焦融合注意力机制的迁移学习微表情识别研究,主要贡献如下:1.针对微表情面部特征变化弱、关键特征损失较多和微表情视频序列中图像强度不一的问题,提出了两个基于Resnet-18网络的迁移学习改进模型。首先在CK+、融合A数据集（CK+和CASIA混合数据集）和融合B数据集（CK+、CASIA和Fer2013混合数据集）分别进行预训练,得到最好的网络模型参数;其次,为提取微表情的微小面部特征,降低关键特征的损失,分别引入一个卷积注意力模块（CBAM）和残差注意力模块并将其融入Resnet-18网络的第一个卷积层之后;此外,采用结构相似性确定微表情序列的关键帧;最后该网络在CASME2和SMIC微表情的关键帧数据集进行微调和迁移。实验结果表明,提出的迁移学习网络模型的识别性能与之前的方法相比有了较大的提高。2.针对微表情数据集样本不足,标签信息不完善的问题,提出了一个面向微表情识别的条件对抗域网络模型。首先以CK+宏表情数据集作为源域,SMIC和MMEW微表情数据集作为目标域;其次,Resnet-18网络对图像的特征信息进行提取;最后将分类器预分类的信息与Resnet-18网络提取的特征结合进行迁移学习。实验结果表明,基于条件对抗域网络模型的微表情识别方法与传统的迁移方法相比取得了更好的识别效果。