人类面部表情在人们的日常生活、交流中扮演着十分重要的角色。通常,我们所指的人类面部表情被称之为“宏表情”,其持续时间一般在0.5s~4s之间,容易被人察觉和辨别。然而,有心理学研究表明,“宏表情”在表达人类真实情感上具有一定的掩饰性,即面部“宏表情”能够掩饰真实情感的流露,而与“宏表情”相对的“微表情”,由于其能够表达人类试图压抑的情感,近年来受到了人们的广泛关注。微表情是一种不受人控制的、简短的面部表情,它能够反映人试图掩饰的情感以及人未意识到的情感体验,因此通过“微表情”来识别人类的情感显得更加真实、可靠。遗憾的是,由于“微表情”具有持续时间短(1/25s~1/5s),活动幅度、区域小等特点,不仅人难以识别,并且在利用模式识别等方法对微表情视频片段进行分类识别时,很难有效的表征不同微表情所具有的特征信息;除此之外,由于自发微表情数据库难以采集,数据量缺乏等要因素,使得训练一个有效的微表情识别算法也变得十分艰难。针对以上问题,本文提出了一种利用双时间尺度卷积神经网络(DTSCNN)对微表情进行识别的方法。该方法首先对微表情数据集(CASMEI、CASMEII)进行扩充处理,以此降低网络训练过程中过拟合的风险,然后利用双通道卷积神经网络分别对微表情视频序列在64fps和128fps两个时间尺度进行特征提取,最后对所提取的特征采用SVM进行决策级融合分类。DTSCNN不仅解决了由于微表情数据库样本少、难以训练的问题,而且在CASMEI、CASMEII数据库上验证的结果显示其识别率(66.67%)比最新的、传统的微表情识别算法(MDMO:55.45%、FDM:56.97%、STCLQP:56.36%)的识别率提高了10%以上。