由于面部表情是最有效的非语言交流方式,且能很好地流露情绪、心态和意图,因此,其识别与检测技术逐渐引起学术界和工业界的关注。然而,传统的表情识别算法的识别准确度和鲁棒性较低,而且表情的变化是一个动态的过程,传统算法在实时表情识别领域效果不佳。本文基于卷积神经网络算法的识别与检测方法。考虑将卷积神经网络应用到面部表情的识别与检测中。本文研究内容主要包括:1、采用深度学习算法来提取面部表情的表情特征,首先需要对面部表情图像进行预处理,调研了图像数据预处理的基本过程和每过程常用算法,以及部分算法在本文实验所用表情库上的实验效果,转化为计算量较少的图像数据作为深度学习算法的网络输入。2、尽管现有的卷积网络模型较多,但是没有一种模型适应各个领域图像的识别,对面部表情的识别需要创建适合表情识别的网络模型,本文在LeNet-5网络的基础上对网络结构和内部结构进行了优化和改进。添加批量规范化,解决不同特征带来的网络模型过拟合问题。选择最大重叠池化和平均重叠池化减少数据量的同时充分提取表情特征。有效提高了识别的准确率和鲁棒性,以及增加了对光线、姿势和遮挡物等方面的承受度。3、提出一种新的基于Inception模块和DropBlock过拟合处理方式的卷积神经网络识别方法,利用改进的卷积神经网络和Inception_v1网络模块构建深层卷积神经网络,并用DropBlock技术替换以往Dropout过拟合处理技术,再结合L2正则化技术。从而有效的改善了网络模型的训练速度,具有增强模型鲁棒性和提高模型训练精度的效果。4、将两种改进的网络训练模型分别应用于实时表情识别系统中,结果表明两种改进网络模型的实用性。