人脸表情在人际交往和社会交往中起着重要而基本的作用,它揭示了各种各样的信息,如情感、身份、性别和年龄。在过去的几十年里,人脸表情的自动识别已经成为一个活跃的研究领域。人脸表情识别的关键是特征点检测精度问题,特征点检测的好坏将对系统的分类产生重要影响,卷积神经网络是近年来特征点提取方法中最具有优势的方法之一。研究基于卷积神经网络的人脸表情识别具有重要的理论意义和应用价值。自动人脸表情识别的总体方法通常是对于给定的输入图像通过定位人脸,检测一组人脸特征点,然后使用这些点来表示人脸,最后一步是将提取的特征向量,使用分类器执行表情识别任务。本文从基于传统方法的人脸特征点检测出发,进一步的研究基于卷积神经网络的关键点检测算法,在此基础上,给出了两种人脸表情识别的算法。主要工作具体如下:(1)研究了基于传统的人脸关键点检测及表情识别方法和基于卷积神经网络的方法,详细分析了不同方法的研究路线以及其中所面临的技术难点,并且详细阐述对比了两种方法之间的优缺点。(2)研究基于深度学习的人脸特征检测方法,为减少通道之间信息冗余,并关注空间特征图信息量最大的部分,提出了一种基于改进ResNet残差模块的卷积神经网络来进行人脸特征的提取。残差网络引入了通道注意力模块和空间注意力模块,网络在通道和空间域中自适应地聚合特征图,以学习通道间关系矩阵和空间之间的关系矩阵。在300W人脸公开数据集上对提出的方法进行验证,取得了最优的效果,为人脸表情识别算法提供更好的特征描述符。(3)在获得人脸特征点的基础上,提出了两种不同的识别方案,通过分析SDM、ResNet和改进ResNet提取特征点的差异性,提出了基于多特征融合的人脸表情识别算法,并在公开数据集上进行了实验验证;针对实验结果仍未达到最优的问题,进一步提出了一种基于集成学习的人脸表情识别算法,这种方法既避免了特征融合方法中特征向量之间同质性增强和异质性削弱的问题,又充分利用了低层特征和高层特征所有的特征描述符,在实验环节,通过和几种先进的神经网络在公开数据集上的识别结果对比,本文算法取得了最优的结果。