表情识别技术是机器学习领域的一个热点和难点问题,在很多领域有着较好的应用前景,快速、精准识别人类面部表情可以满足日渐增长的社会需求。但是,目前的识别技术还存在不同的问题:在表情识别模型进行特征提取阶段,由于表情发生时间短暂、发生的动作幅度小、不同的面部区域发生的表情动作幅度不同,若提取不到更为细致的表情特征,则会导致表情模型的识别率低且泛化能力不足;在表情识别模型训练阶段,由于表情数据样本量不充足,样本类别不平衡,训练集和测试集存在分布差异问题,会导致表情识别模型对个别类表情识别能力弱且鲁棒性差。为了解决上述问题,本文的工作和成果如下:（1）设计了一种用于表情识别的多尺度特征提取深度模型（FCNet）。FCNet包括两个部分——多尺度表情特征提取模块（Fef）和坐标注意力机制算法。Fef模块主要由3个Tfe结构组成。Tfe是一种三分支的特征提取结构,其使用了不同尺度的卷积核,在每一个卷积层后都使用了BN层,并使用Relu激活函数进行非线性变化,增强了FCNet的泛化能力和表情特征学习能力,提升了训练速度和收敛速度。在Tfe结构完成特征提取后,通过跳跃连接的方式,使FCNet获取了融合浅层信息和深层信息的特征。这之后,使用坐标注意力机制对这些融合特征分配基于人脸位置信息的通道权重,增强了FCNet对表情数据的学习能力,最终提升了表情识别的性能。（2）为了继续提升表情识别性能,首先设计了一种过采样算法——FM算法。FM算法包含两种策略:针对相同类别表情的过采样策略和针对不同类别表情的过采样策略。FM算法通过数据扩增的方式缓解表情样本的不充足、不平衡问题。其次基于FM算法,进一步设计了FM-Meta伪标签算法。FM-Meta伪标签算法使用两种数据训练表情识别模型——无标签数据和有标签数据。FM-Meta伪标签算法包含两个神经网络——教师网络和学生网络。相较伪标签算法,教师网络会自适应的根据学生在标签数据集上的表现反馈进行调整,这种调整是依据有标签数据和无标签数据分布差异来进行的。更新后的教师网络以基于无标签数据生成伪标签的形式来指导学生网络训练。通过教师网络与学生网络并行训练,学生网络的表情识别性能会得到提升且更具鲁棒性。在FER2013和MMA数据集上进行了实验验证。实验结果表示,与传统算法相比,FCNet在表情识别准确率上显示出较好的鲁棒性。而进一步使用FM-Meta伪标签算法之后,不仅提升了FCNet的表情识别的效果,而且为模型处理无标签数据提供了一种新的训练方式。