表情是人类表达情感的基本方式,是非语言交流的重要手段。在日常交流中,人们可以通过对人脸表情准确、细致的分析,辨识出对方的心理,进行更加有效的沟通。随着计算机科学技术的不断发展,人机交互技术日益成为人工智能领域中研究的热点。而人脸表情识别作为人机交互技术的重要环节,因为其广泛的应用前景,收到了越来越广泛的关注。目前的人脸表情识别系统的识别准确率并不高,且对于现实场景下检测到的复杂人脸图像不能做出有效处理。本文将对人脸表情的特征提取及分类识别环节进行研究分析,并设计出新的人脸表情识别模型,从而实现人脸表情识别的高精度和高鲁棒性。由于近年来深度学习方法广泛应用于模式识别和分类任务,其中,卷积神经网络方法在图像分类和人脸识别领域展现出了强大的性能,适用于本文将要研究的表情提取及表情分类环节。因此,本文设计的人脸表情识别模型将在卷积神经网络的基础上,进行针对于提升人脸表情识别效果的改进。本文的具体工作和主要贡献如下:(1)由于不同的姿势、角度、照明、遮挡会在人脸表情获取时产生的额外冗余特征。为了避免利用卷积神经网络进行人脸表情识别时被这些冗余特征干扰,本文提出了一种基于多任务学习的人脸表情特征提取方法。利用面部特征点定任务对人脸表情识别特征提取任务的隐含促进作用,采用多任务学习框架,输入完整人脸样本图像,将人脸表情识别任务与面部特征点定位任务融入同一个卷积神经网络训练模型中,在进行特征提取后,对获取的全局高级特征进行初步的表情分类识别并获得样本图像中的面部特征点位置。(2)考虑到面部不同特征部位产生的局部特征是判断复杂表情的重要依据,本文将采用级联多网络框架。将人脸表情识别与面部特征点定位结合的多任务学习网络作为第一级网络进行初步的表情分类及特征点定位,在第二级网络中依据第一级网络的面部特征点定位结果,输入每个特征点定位附近的图像区域进行局部表情分类。最终通过将多级网络的输出融合来对表情进行准确的识别分类。(3)基于上述研究,本文设计了一套人脸表情识别系统。该系统在FER2013人脸表情数据库及JAFFE库上进行了多组对比实验。实验结果验证了本文提出方法的有效性。