人工智能技术的发展与应用为人类生活增添了色彩,人机智能交互越来越被重视。情感识别是人机交互中一个重要的方面,因为通过人的面部表情可以直观的了解一个人的情感状态。如何使用人工智能技术准确判断出人类的情感状态是近年来科学研究的热点。由于情感状态复杂多变,不同情感状态之间的差别细微,这导致情感识别更加困难。这种困难不仅体现在数据的选取上,情感特征的有效提取更加重要。首先,传统的深度神经网络是在实验室受控环境下采集的数据上进行的实验,由于受试者种族、年龄,以及受试者头部姿态,还有受试环境的单一性,使得这种环境下采集的数据无法准确表现出现实生活中人类面部情感状态的多变性与复杂性。其次,传统的面部情感特征提取方法无法对非情感特征进行有效的抑制,模型泛化能力较弱。本文在自然环境下采集的AffectNet数据集上对基于注意力机制与维度空间的人脸表情情感识别方法进行研究,提出了两种面部情感识别模型:第一,提出一种将残差注意力网络与Transformer、非局部神经网络相结合的面部情感识别模型。残差注意力网络通过学习输入图像的注意力权重,并根据权重的大小完成情感相关特征的筛选,用于解决传统特征提取方法不能抑制面部图像中非情感特征的问题。另外考虑到残差注意力网络在特征学习过程中不能对长距离特征之间依赖关系进行建模的问题,本文提出使用Transformer、以及非局部神经网络分别针对残差注意力网络输出特征图之间、以及特征图中所有空间位置特征之间的长距离依赖关系进行建模,进一步提高网络的性能。最后,基于维度空间模型完成情感识别。第二,由于残差注意力网络、Transformer都是堆叠的网络结构,这样导致网络结构复杂,计算难度大,并且优化困难。所以在第一种方法的基础上进行了改进,这里分别引入基于特征通道、基于空间位置的全局二阶池化网络代替Transformer、非局部神经网络去建模长距离特征之间的依赖关系。而全局二阶池化网络主要是通过计算特征之间的协方差矩阵,完成特征之间相关性的学习,进行长距离特征间依赖关系建模。最后,基于维度空间模型完成情感识别。AffectNet数据量庞大,其中被标注的人脸图像约42万张,并且人脸情感状态更丰富。通过在AffectNet上进行实验,对提出的两种方法分别进行评估。针对第一种方法,实验得到的基于Arousal、Valence的均方根误差为0.371、0.362,一致性相关系数为0.506、0.533。针对第二种方法,实验得到的基于Arousal、Valence的均方根误差为0.366、0.317,一致性相关系数为0.556、0.603。实验证明相比于传统方法,本文提出的面部情感识别模型性能整体上有所提高。