微表情是一种自发式的面部表情,在人们试图掩盖内在情绪时产生,既无法伪造也无法抑制。微表情无法抑制的特性使其成为判断个人真实情绪的重要依据。因此,微表情被广泛应用于国家安全、心理医疗和警方执法等领域。微表情的持续时间短、运动幅度小,致使人工检测微表情十分困难。因此,近年来利用计算机技术进行微表情检测成为研究热点。本文针对微表情检测算法展开研究,具体工作如下:为了提高微表情特征描述符的表征能力,在空间域上,提出了一种基于运动边缘特征距离的微表情检测算法。首先,针对图像中包含人脸范围外的运动噪声与眨眼噪声的问题,提取人脸椭圆感兴趣区域,避免了人脸范围外的噪声。其次,针对微表情运动幅度小的特点,设计了一种基于FlowNet2网络的运动边缘特征。FlowNet2网络可以提取极小运动的光流信息,有效保留了微表情运动信息。在此基础上利用光流梯度幅值提取运动边缘特征,可以有效去除头部偏移误差与光流场中包含的视频序列累积误差,对微表情有更强的表征能力。最后,提出一种基于多帧平均特征距离的微表情检测方法,并设计了单帧噪声消除与持续时间过滤后处理,有效解决了检测过程中的单帧噪声与宏表情序列噪声,使微表情检测的结果更加精确。在运动边缘特征图的基础上,结合深度学习算法,设计了MED-TFBL（Micro-expression detection based on temporal features and balanced sample loss）网络,进一步提取视频序列的时序特征,实现了基于时序特征与均衡样本损失的微表情检测。首先,为了增加用于深度学习网络训练的视频序列样本,利用滑动窗口机制与时域插值算法进行数据集划分重构,扩充了用于训练网络的数据量。其次,将根据第三章算法提取的运动边缘特征图作为网络输入,为了解决运动边缘特征图数据维度大,信息冗余的问题,设计了基于卷积神经网络的特征优化网络。然后,提出基于Bi LSTM的时序特征提取网络,并结合注意力机制对时序特征的权重进行分配,使每帧图像的微表情时序特征对微表情检测对应不同的贡献分数。最后,针对微表情类与非微表情类样本数量严重失衡的问题,提出均衡样本损失函数,为不同类别样本的损失分配权重,改善了网络训练的效果,提高了模型的准确率。本文在CASME与CASMEⅡ数据集上进行实验。实验表明,本文提出的基于运动边缘特征距离的微表情检测算法,与当前流行的传统算法对比,检测结果TPR（True positives rate）,FPR（False positives rate）,F1（F1 Score）,ACC（Accuracy）均取得了更好效果。提出的基于时序特征与均衡样本损失的微表情检测算法,与当前流行的深度学习微表情算法相比,取得了更高的检测准确率。