微表情是一种人类在试图隐藏某种情感时无意识做出的,短暂的面部表情,其持续时间仅0.04秒至0.2秒。与之相对的,持续时间在0.75秒至2秒的表情被称为宏表情。微表情作为一种自发的面部表情,是无法人为控制的,因而微表情相较于宏表情能够更准确表现出人们内心的真实情感。基于这种特性,微表情在精神疾病的诊断和重大犯罪案件的审讯等方面具有重要的参考价值。传统的微表情识别方法首先提取手工设计的特征,然后使用机器学习算法进行分类。这种方法极度依赖手工设计的特征好坏,而且通常其分类准确率较低。基于卷积神经网络的深度学习方法已广泛应用于微表情识别,与传统方法相比,大幅提升了微表情识别的准确率。但受限于微表情动作持续时间短,强度低等特点,深度学习的微表情识别算法仍有待进一步提高。基于微表情的上述特点,本文在以下三个方面进行了研究:（1）提出了一个单输入,单输出的网络模型。输入微表情光流序列,经过3D卷积神经网络初步获取面部动作单元特征,再经过基于面部动作单元相关性的图卷积网络进一步获取面部动作单元特征,最后根据获取到的面部动作单元特征进行微表情分类。（2）提出了一个双输入,单输出的网络模型。同时输入微表情光流序列和微表情图像序列。从微表情光流序列中获取面部动作单元特征作为面部局部信息,从微表情图像序列中获取面部整体信息,最后将面部整体信息和局部信息融合,进行微表情分类。（3）将本文提出的基于图卷积神经网络的微表情识别算法加以应用,设计了一款微表情识别系统。本文提出的微表情识别网络模型,在两个公开数据集SMIC和CAMSEⅡ上分别进行了实验,取得了良好的效果。