近年来,计算机科学技术飞速发展,深度神经网络随之兴起,基于人脸图像的识别技术已经成为一个研究热点,引来国内外学者的关注。而面部表情承载着人类的情绪状态,是人类表达自己最强大的信号之一,因此,表情识别技术研究有着非凡意义和广泛的应用前景。然而,在复杂场景下的人脸图像模糊、冗余信息的干扰、表情的相似性等问题,会造成表情识别不准确,且实际应用效果也会受到很大影响。针对这些缺陷,本文开展了基于深度学习的表情识别算法的相关研究工作,具体包括:设计并实现了一种基于注意力机制的表情识别算法,在Resnet基本网络结构下,加入轻量卷积注意力模块,捕捉表情特征信息,减少人脸冗余信息的干扰;引入孤岛损失设计融合损失函数进行分类,优化类内和类间距离,使网络能够学习到更具判别性的特征,提高表情区分度。与现有的表情分类主流算法相比,该算法能自适应性获取有用信息,并强制类分离,客观评价指标有一定优势。在FER2013上的实验结果表明,本文算法准确率为73.85%,高于Resnet网络的71.23%。实现了一种低分辨率人脸图像表情识别算法。在对低分辨率人脸图像进行表情识别的过程中,针对传统的基于插值的上采样方法并不能很好的恢复下采样过程中丢失的高频信息进而导致识别效果不理想的问题,本算法采用SRFBN网络对人脸图像进行超分辨率复原,SRFBN网络采用回传机制来提高超分辨率的效果,且没有引入过多参数;采用课程学习策略,由易到难地进行学习,解决多重降质问题,能有效提高人脸图像分辨率;最后将超分后的图像输入SCN网络中,通过自注意力重要性加权模块、排序正则化等模块实现表情分类,该算法能很好的保留甚至复原图像的细节信息,有利于表情识别网络的特征提取,解决了实际应用场景中人脸图像分辨率低影响表情识别的问题,大大提高了识别准确率,并且在RAF-DB数据集上的实验证明了算法的有效性。设计并实现了一种面部表情识别原型系统验证算法性能。基于本文设计的表情识别算法,使用PyQT编写界面,开发面部表情识别原型系统,能够完整实现对静态图像或者摄像头采集的人脸图像的人脸检测与定位,图像的超分辨率预处理、特征提取及表情分类,分类结果及细节信息（分类耗时、其余表情概率）的界面展示。