面部表情包含丰富的非语言信息。能够理解面部表情的机器可以更好地为人类服务,并从根本上改变人类和机器之间的交互方式。人脸表情识别广泛应用到社会各个领域,如虚拟现实、人机交互和安防等。但是多方面的因素会影响人脸表情识别的效果。首先,面部表情的识别率很容易受到光照变化的影响,尽管已经出现了一些预处理的算法可以减少光照带来的影响,但是处理的效果始终有限,甚至有些算法会造成有效信息的损失。其次,静态的表情图片仅能呈现外观特征而不能呈现表情随时间的一个动态变化。所以,动态面部图像序列能更加准确地体现面部表情的变化。最后,并不是所有人脸信息都对表情识别有用,哪些面部区域的表情特征应该被分配更多的权重还需要更深入的讨论。由于三维卷积神经网络可以提取面部表情序列的动态特征,且红外表情图像不受室内光照变化的影响。针对以上问题,我们提出了一种基于特征权重自动分配的三通道三维卷积神经网络(SETFNet)来进行近红外人脸表情识别。网络三个通道的输入分别为三个不同的人脸局部,即眼睛(包括眉毛)、鼻子和嘴部的图像序列,这样提供了精准的表情特征的同时更小的图片也减少了计算量。另外,我们在网络中嵌入了可以自适应学习特征权重的SE模块,使得网络可以增强有效特征,削弱无用特征,进而提高表情识别率。本文提出的近红外人脸表情识别网络模型在Oulu-CASIA数据库上进行评估和测试。实验结果表明,SETFNet可以通过网络自适应地学习特征通道权重,增强对任务有用的特征,削弱无用特征。在只使用局部人脸信息情况下,可以达到比目前多数算法更高的识别率,证明了本文提出方法的有效性。