随着人工智能技术的普及,诸如医疗诊断、社交机器人、疲劳驾驶检测等人机交互系统开始被逐渐应用于现实生活,以此来满足当前社会的各种需求。这些应用大多涉及到生物体识别技术,而人脸的面部表情往往被认为是表达人类情绪的重要方式之一,因此被广泛采用于生物体识别这一领域。让机器准确地识别人脸表情,对人类内在情绪进行感知分析,这对于人机交互系统以及强人工智能方向的发展有着十分重要的意义。然而,人脸表情由于其变化特征较为细微,经常会受外貌特征的干扰导致无法被有效地识别。同时,日益复杂的神经网络模型产生了繁重的资源消耗,给小型、移动设备的部署带来了一定压力。对于这两个问题,本文基于生成对抗网络及模型压缩技术,深入研究如何利用轻量级的生成对抗网络实现更加精准的人脸表情识别。本文主要工作如下:1.针对传统卷积神经网络无法提取较为纯净的人脸表情的问题,本文提出了一种可实现表情、外貌特征分离的生成对抗网络模型。生成器拥有两个编码器和一个解码器,编码器的目的在于分别提取外貌和表情特征,解码器旨在重构出人脸图片;判别器则是对于生成器的输出进行判断,以此来指导生成器的重构过程。通过设计真假及相似性判断的损失函数,生成器与判别器之间将进行对抗训练,从而生成逼真的中性脸和有表情人脸图片,以表明表情和外貌特征在生成器的中间层中得到了较好的学习。在识别阶段,对于待测人脸图片,只需将其输入至生成器的表情编码器中,即可提取纯净的表情特征,并将该特征直接进行表情分类。实验结果显示,与当前先进的表情识别算法相比,本文所提算法在精准度上取得了一定的提升,且改善了在不同数据集上的普适性与鲁棒性。2.针对生成对抗网络的轻量化问题,人工设置子网络结构的方式往往无法寻找到最优解,而神经结构搜索算法又会消耗太多的计算资源,因此我们使用网络修身算法来进行子网络的搭建。网络修身要求在网络训练过程中,对批标准化层的缩放因子进行正则化约束,并通过设置缩放因子的阈值进行网络通道的裁剪,这种算法可以在得到精简网络的同时减少时间的消耗。之后,对于裁剪出的子网络,本文提出一种基于教师判别器的辅助损失,并与传统特征层之间的感知损失相结合,以知识蒸馏的方式对于子网络进行微调,提升了模型的稳定性。实验表明,该轻量化设计对原始网络进行了大幅度的压缩,同时也维持了有效的表情识别性能。