表情识别技术可以分析人的情感,提供用户的情感反馈,检测疲劳驾驶和疲劳作业等,在很多领域有着广阔应用前景。目前,针对正脸无遮挡的人脸图像表情识别研究,深度学习方法已经取得非常好的效果。然而,在自然场景下,头发、手、胳膊、食物等都可能引起遮挡,这些物体可能遮挡脸部的任何部分,表情识别的准确性和鲁棒性也会因此急剧下降。由于被遮挡区域的位置、大小和形状各不相同,所以遮挡下的表情识别仍然是一个巨大的挑战。因此,如何设计出一种能够解决局部遮挡问题的表情识别算法是一个具有研究意义的课题。针对以上问题,本文将遮挡下的表情识别任务拆分成遮挡人脸图像修复和修复后人脸图像的表情识别两个子任务,所做的具体工作如下:（1）提出了一种快速人脸修复算法来修复面部遮挡部分。该算法使用对称加速鲁棒特征（SURF）快速检测人脸中心轴,然后结合人脸关键点检测技术来定位面部遮挡区域并建立坐标系。接着设计一种基于镜像转换的无监督人脸修复模块,根据建立的坐标系和关键点坐标来修复被遮挡的区域,在不改变非遮挡区域信息的情况下,快速完成人脸修复任务,减少局部遮挡带来的影响,提高后续表情识别算法的准确率。（2）提出了一种结合全局多尺度和局部异构加权特征的表情识别网络。该网络包含一个基于条件独立性的特征选择模块和两个网络分支,在第一个分支中,设计了一个多尺度模块来学习人脸图像的全局多尺度特征,而另一个分支设计了异构加权模块来学习人脸图像的局部特征,最后,全局特征和局部特征分别经过全局平均池化层和全连接层,并对表情识别分类结果进行决策级融合。本文方法中的特征提取模块可以去除噪声和与表情任务无关的特征,全局多尺度特征增加了特征的多样性和鲁棒性,降低了深度卷积对遮挡的敏感性,而异构加权机制引导网络聚焦于无遮挡人脸部分,提取的局部显著特征增加了网络的鲁棒性。（3）由于缺乏足够遮挡情况下的表情识别数据,本文通过在Celeb A、CK+和Fer2013三个数据集中添加随机涂鸦来增加数据量,并使用这三个带有涂鸦的数据集来测试人脸修复算法和遮挡面部表情识别算法的性能。实验通过两种客观评价指标PSNR和SSIM评价修复图像的效果,实验结果表明,本文方法在人脸修复任务中不仅数据处理速度快,而且图像修复效果好。此外,在表情识别任务中,本文提出的方法在多个数据集上都取得了优异效果,特别是在带有涂鸦的CK+数据集上取得了88.3%的表情识别分类准确率。