传统谎言识别方法使用测谎仪等皮肤接触性工具,会使得受试者紧张、恐惧,导致受试者无法在自然情况下交流。研究表明,微表情是识别谎言的一个重要线索,在人脸动作编码系统中,任何的表情都由人脸动作单元组合而成。本文使用深度学习方法设计一个非接触式的识别模型完成谎言识别。主要内容包括发现微表情,识别微表情的动作单元和利用微表情的动作单元去完成谎言识别三个方面。本文的主要贡献如下:第一,针对在长视频中发现微表情有定位不准确等问题,提出了基于注意力机制和一维卷积滑窗的微表情发现算法。首先,利用VGG16网络学习每一帧图像的空间特征,利用双向长短期记忆网络和一维卷积分别学习全局特征和局部特征。然后,由于微表情出现在帧序列的局部位置,利用注意力机制来突出微表情关键帧特征。针对所有图像的特征,利用一维卷积的移动特性,对特征间隔进行微表情检测。最后,考虑到一个微表情可能出现在多个间隔上,对判断为微表情的间隔进行进一步的合并,得到最终的微表情间隔。在CAS（ME）2数据集上的相关实验验证了该算法的有效性。第二,针对微表情的动作单元强度低、不易被识别等问题,提出了基于动态图和空间金字塔的微表情动作单元识别算法。首先,将视频经过动态图生成模块生成动态图,其可以提取所有帧中包含的运动信息。然后,鉴于微表情的细微运动特性,通过空间金字塔来获取网络从低级到高级的图像特征。又知微表情出现在人脸局部区域,因此对每一层的图像特征使用区域特征网络和注意力机制。最后,对每个动作单元分别训练二分类模型以解决动作单元之间相关性弱的问题。在CASME和CAS（ME）2数据集上的实验验证了该算法具有良好的动作单元识别性能。第三,针对图像会受到光线、头部移动等因素的影响,进而导致谎言识别效果不佳的问题,提出了基于微表情动作单元的谎言识别算法。首先,计算由微表情发现算法和微表情动作单元识别算法获取到的与谎言相关的动作单元在视频所有微表情间隔中的统计数,将其组成一维特征向量。然后,采用多尺度特征提取网络提取不同范围内的相邻特征。最后,利用多头注意力机制获取特征之间的关注程度。实验表明,该算法在Real-life Trial Data多模态谎言数据集上能获得较高的准确率。