人的情感信息主要通过丰富的脸部表情来表达,随着信息时代的来临,智能计算技术在人们的生活中日益普及,对人脸表情特征的识别在家庭娱乐,智能终端人机交互,安全领域甚至医疗健康等方面具有越来越明显的应用研究价值。但是,在机器学习诸多应用研究中,表情是一个比较难提取的特征,通过传统人工选择特征的方法,很难获得关于表情信息的高效特征解释,并且对于传统的机器学习分类算法来说,人工选择的表情特征训练出来的浅层网络分类器具备的泛化能力还处于一个局限性较大的水平上。自2006年以来,深度学习以迅猛的态势不断发展,并表现出了优于传统机器学习算法的强大性能,为各个应用研究领域带来了新的突破点和发展前景。与传统机器学习算法中需要人工提取特征的方法不同,深度学习算法更符合自然生物自我学习的规律,其自身可以像自然界生物一样在有监督或者无监督的前提下,不断的对样本进行自我学习,从而得到样本的抽象特征,并且具备优越的网络泛化能力。本文根据二维人脸表情图像的特殊性,将深度卷积神经网络应用在人脸表情识别中,去进行特征的学习,为了解决人脸图像除部分器官姿态区域外,其他区域相对冗余的特点,将原始的人脸表情图像进行了预处理,检测出几个表情特征区域作为输入的图像,并设计了以下三种的网络结构进行特征学习:1.为了在人脸表情识别的过程中,尽可能多方面的对表情特征进行扩展和提高提取出来的表情特征具有更高的可区分性,设计了一种融合改进后的LBP表情特征与深度卷积神经网络表情特征的表情识别网路(LBP-DCNN),将LBP算子进行与表情特征区域相匹配的运算规则改进,并通过对比实验得到最优性能的卷积神经网络,然后对表情图像提取改进的LBP特征,然后在训练一个8层的深度卷积神经网络提取表情深度抽象特征,对抽象特征与改进的LBP特征进行融合,训练一个七分类的输出层,最终得到表情的识别结果。2.为了兼顾表情敏感区域在深度卷积神经网络学习表情特征中的特殊表征能力,设计了一种基于辅任务估计的深度卷积神经网络(AL-DCNN)。首先训练一个主任务学习DCNN网络以得到共享特征权值矩阵,然后再将表情敏感区域眼睛眉毛姿态和嘴巴姿态局部图进行合并,作为一个辅任务估计支线任务,以共享特征权值矩阵映射得到辅任务估计的分类结果,最后将辅任务估计分类结果优化主任务学习的分类性能,提高深度卷积网络在表情识别中的泛化能力。3.为了避免一般卷积神经网络中池化层由于简单的下采样操作,会丢失部分上一层卷积层所学习出来的特征以及全连接层输出只包含抽象信息而缺失了很多浅层的局部特征的缺点,设计了一种结合多尺度小波变换的深度卷积神经网络架构(WP-DCNN),此网络一方面保证了卷积层所学习的特征能够在池化层有效的进行完整特征传递,又可以在全连接层中扩展浅层学习时获得的表情局部特征,进而使整个网络结构对表情特征能够更优的描述,并提高识别结果。从本文的实验结果中可以知道,所设计的基于三个不同改进后的深度卷积神经网络相对于单纯的深度卷积神经网络,在表情识别领域更加有利于识别性能的提高,实验在两个公开的数据库JAFFE表情数据库和CK+表情数据库进行了对比分析,从实验结果中可以看出,三种改进后深度卷积神经网络表情识别方法都能达到较高的分类精度。