面部表情识别是计算机视觉领域的一个热议课题。近些年众多开源数据集和算法不断地出现,为表情识别提供了广泛的实验资源。面部表情数据集大致可以分为两类,一类是受控数据集,一类是非受控数据集。目前在受控数据集上的表情识别成绩已经十分理想,但是在非受控数据集上的识别结果依旧有着非常大的提升空间,主要是因为非受控数据集有着不可预测的各类面部遮挡和相似表情难以分类等困难。所以,能解决好上述面部表情识别中的问题是有意义的。针对上述问题,本文基于特征融合和多任务学习方法分别提出了两种解决方法。具体如下:1.为了解决面部部分遮挡问题,本文提出了一种新型的局部注意力机制多任务学习的面部表情识别方法。首先,该网络将一张面部图片裁剪成不同的区域,随后将提取到的特征数据汇聚在一起,这些特征数据将用于表情分类。然后,为得到最有益的特征,在局部注意力模块设计了一个区域损失函数,对于最重要的裁剪图赋予最高的权重。最后,在分类阶段使用了多任务学习的方式,在多任务网络中同时使用协同损失学习优化各类表情特征,实验证明该网络可以有效的提升表情识别精准度。2.为了解决面部表情识别中某些表情难以分类的问题,本文提出了基于感兴趣区域和协同损失的面部表情识别方法。首先,设计了独有的面部表情感兴趣区域特征提取网络,并将感兴趣区域网络提取的感兴趣区域特征与原图特征相融合得到最终的特征数据。其次,对协同损失做了进一步的改进,将改进的协同损失算法运用到面部表情特征分类学习任务中,进一步提升了面部表情的分类精度。最后通过实验证明,融合特征数据相比原有特征数据更有利于分类任务。