在日常生活中,人们主要通过人脸表情来传递心理情感信息。人脸表情识别是利用构建的模型来识别人脸表情,并通过表情判断心理情感。基于深度学习的人脸表情识别在人机交互和医疗等领域得到广泛关注和重点研究,也取得了很大的进展。深度学习中的卷积神经网络对人脸表情有较好的特征提取能力,但在空间信息的提取能力方面表现不足。本文构建了基于Capsule的人脸表情识别模型,该模型主要分为三部分:提取基础特征的2-4层的卷积层,对实体特征进行表示并分类的Capsule层以及进一步优化网络的解码器结构。本文的模型利用Capsule来表征人脸表情实体,可以更好的提取人脸表情图像中的空间信息。针对本文构建的Capsule的人脸表情识别模型,本文做了两方面的优化研究。一方面是本文研究了卷积层对Capsule最终表征人脸表情实体的影响,由于不同卷积层提取的特征不同,生成原始的Capsule也不同,导致模型对人脸表情的识别性能有所差异。另一方面是本文研究了解码器对本文模型的影响。本文研究了两种方法来构建人脸表情识别的解码器,一种是基于全连接构建的解码器,另一种是基于反卷积构建的解码器。解码器是通过重构图像来优化模型,对模型进行正则化处理,防止过拟合。在本文构建的模型中,卷积层运用了Re LU激活函数,加快了模型的训练速度。为了验证模型的有效性,在人脸表情的公共数据集上进行了实验,结果表明:1.不同的卷积层对实验结果有影响,3层卷积层构建的人脸表情识别模型效果最优。2.从模型在公共数据集上的实验结果来看,基于反卷积构建的解码器是优于基于全连接构建的解码器的。3.本文构建的FERCaps-3-De模型实验结果比现有的几种算法表现更优,其准确率在CK+上达到了98.2%,在JAFFE上达到了88.3%。