人脸表情识别是指通过提取人脸表情数字图像的特征并进行分析,从而获知人的心理情绪的过程,此研究在人机交互领域有着广阔的应用前景。近几年,随着深度学习技术的蓬勃发展,对于人脸表情识别的研究也从传统的手动提取特征的识别方法逐步转变为自动特征提取的深度学习方法。与传统方法不同,深度学习模型通过对数据的学习可以自动提取到更加抽象的深层特征,因此可得到更优的识别性能。但是现有的深度表情识别模型一般有很大的参数量,导致实时性较差。针对此问题,本文主要对轻量型的人脸表情深度识别模型进行研究,并提出相应的轻量型表情识别算法。论文完成的主要研究工作如下:构建了用于人脸表情识别的轻量型卷积网络,研究了此网络的深浅层特征融合模型。使用Mish激活函数改进了轻量型网络MobileNetV2中的倒置残差单元,以此构建了一个更轻量的表情识别模型basemodel;以basemodel为基础,探索了轻量卷积网络的深浅层特征融合方法,依据不同融合方法设计出了三个模型:1)直接使用全连接层进行深浅层特征融合的msmodelFC;2)先对浅层特征图进行最大池化和平均池化等简单处理,然后进行深浅层特征融合的模型msmodelv1;3)在msmodelv1基础上,对浅层特征图进行更复杂的处理,然后进行深浅层特征融合的模型msmodelv2。在公开数据集测试验证了本文所构建轻量型模型的优越性。采用本文构建的msmodelv2模型在RAF-DB和AffectNet表情数据集上进行测试,识别准确率分别为85.724%和57.703%,模型参数量仅为0.2 M,模型推理速度达到每幅图5.96 ms,与两数据集上的其他主流方法对比具有更强的竞争力。开展了移动端人脸表情识别实验。为实现在移动端的表情识别,使用剪枝和权值量化两种深度学习模型压缩方法对本文所提模型进行了轻量化处理。实验结果表明,针对本文所提模型,权值量化的效果更好,最终得到了一个407Kb的超小模型,并成功将其部署到手机端,在手机移动端成功地验证了本文模型的可行性。