虚拟人物与人的情感交互一直受到人们的期待,而进行情感交互的前提是虚拟人物可以进行情感分析。虚拟人物若要拥有情感分析的能力,首先要能够识别情感,所以本文做的是情感识别的任务。虚拟人物最终需要和人进行交互,交互过程中它要借助自己对表情的理解去识别人的表情,所以论文中选用了动漫人脸表情数据做训练,真实人脸表情数据做测试,期望实现跨域识别,为表情识别的发展及实现虚拟人物和人类的交互提供一定的基础。由于动漫人脸表情特征和真实人脸表情特征的分布不同,本文先将动漫人脸表情和真实人脸表情转换至同一个风格的数据集中,使动漫人脸和真实人脸使用同一套表情表达方式。然后借助迁移学习方法,对变换后的特征进行跨域的情感识别。在图像风格转换任务上,本文提出一种基于不成对数据样本的风格转换方法。该方法以生成对抗网络为通用基础网络结构,然后将沙漏型网络、注意力机制和基础网络结合在一起,改进成新的网络结构。改进后的网络通过利用图像的空间关系和图像各区域的权重关系,使转换后的图像更清楚,更好的保留原图的细节特征。本文在数据集JAFFE、CK+上进行实验,结果表明改进后网络在转换图像风格任务上的有效性。在情感识别任务上,本文提出一种基于迁移学习并结合注意力机制（SGE）和残差网络（Res Net）的表情识别方法。该方法通过将Res Net基本模块和注意力机制模块结合起来,构建出一个新的Res-SGE基本模块,并将这个模块应用在Res Net中。然后利用改进之后的Res Net网络搭建迁移学习的基本网络,并加入MMD距离损失函数来度量源域和目标域之间的距离。通过实验验证,本文所提出的表情识别方法在数据集JAFFE和CK+上的识别准确率分别提高了7.55%和10.85%,这说明所提出的表情识别方法的有效性。