人脸表情是人际交往中重要的非语言类表达方式之一,是一种自然的交互方式。人脸表情识别作为人工智能交互技术,在智能视频监控、服务机器人等领域应用广泛,因此人脸表情识别的研究有着重要的理论意义与应用价值。本文首先设计了人脸表情识别系统的整体方案,然后对方案中的人脸检测方法进行研究,选择AdaBoost算法完成人脸检测,之后对检测到的人脸进行了尺度归一化。在分析比较常用的表情识别算法后,选择了基于深度神经网络的方法作为后续研究的重点。在基于深度神经网络的表情识别研究中,针对表情图像是小样本集的特点,直接训练神经网络模型容易过拟合的问题,提出了一种改进的二次迁移学习训练方法。该方法采用在人脸识别数据集上进行第一次微调的MobileNets预训练模型,结合改进的迁移学习方法设计了新的卷积神经网络,并在人脸表情库上完成卷积神经网络的第二次微调,实现了卷积神经网络的训练。通过实验,证明结合二次迁移学习训练重构的神经网络模型提取的表情特征更有效,避免了过拟合的问题。针对上述算法构建的单通道网络提取的特征不够充分的问题,提出了一种基于双通道卷积神经网络的模型。该模型将基于改进的二次迁移学习构建的新网络,分别使用人脸的全局样本与局部样本进行微调,获得两个不同特征提取能力的网络,这两个网络通过神经网络融合算法进行特征融合,得到了双通道卷积神经网络。通过与其他表情识别算法对比,表明融合后的特征表示更丰富,表情识别率得到进一步提高。在完成理论研究后,实现了基于表情识别的服务机器人控制系统。通过实验证明本文研究的人脸表情识别技术是有效的,实时稳定地控制服务机器人的运动。