人脸表情作为一种传达情绪状态和意图的主要形式,在人际关系中提供了重要的非语言交际线索。随着人工智能和机器学习等技术的兴起,现有的人机交互方式已经无法满足人类的需求,使机器具备精确辨别人类情绪的能力逐渐成为计算机视觉等领域的热点研究问题。受光照、角度等客观条件影响,人脸面部表情难以达到特征统一,给计算机识别情绪带来了巨大挑战,因此,构建具有准确表情分类能力、学习不同表情特征的机器模型对实现自然人机交互具有重要研究意义。随着深度学习方法在计算机视觉领域的广泛应用,使现有的面部表情识别模型效果得到了显著提高,但仍存在网络泛化能力不强、模型结构复杂导致网络计算量大、表情识别效果不够理想等问题,针对这些问题,本文提出一种基于小尺度核卷积的人脸表情识别方法,通过设计多层小尺度核卷积块提取面部表情特征,对样本数据进行训练测试优化特征提取网络模型,使用Softmax分类器实现表情分类,并对方法性能进行实验验证,证明算法的有效性。本文的研究工作主要包括以下几个方面:1)采用数据增强变换等方法来增强网络模型的泛化能力,降低人脸表情图像的多样化影响,在图像预处理阶段采用人脸检测和数据增强两种手段,扩充样本数据,测试阶段使用数据增强变换增加模型鲁棒性。2)为有效提取表情特征,同时降低算法复杂度,设计小尺度核卷积块结构,采用多层小尺度核卷积代替大卷积作用,确保获取足够感受野大小的同时减少模型网络参数。网络在输出分类前利用一层完全连接层进行特征信息整合,保证算法简洁性。3)构建一种基于小尺度核卷积的人脸表情识别模型,通过多层小尺度核卷积块和下采样网络结构迭代学习图像表情特征,应用批标准化以及Leaky-ReLU激活函数,提高模型非线性能力,全连接层中加入Dropout方法来降低过拟合影响,用Softmax分类器实现七种表情分类,引入交叉熵损失函数通过反向传播优化模型表情特征提取能力,实现目标人脸图像表情的准确识别。本文采用FER2013和CK+两种公开数据集进行实验,实验结果表明本文设计的人脸表情识别方法能够有效识别面部表情,降低算法复杂度,提高表情识别准确率。