微表情是人们接受到刺激信息后自发产生并主动抑制的表情。微表情可以客观地反应人们的真实情绪状态,因此微表情识别在国防安全、服刑人员改造和心理治疗等诸多领域有着很大的应用价值。由于微表情的运动微弱和持续时间短的特点,微表情的有效特征提取比较困难。随着深度学习的发展,基于深度学习的微表情识别模型拥有比传统微表情识别算法更强的识别能力,但也遇到了新的问题与挑战。由于微表情的运动特性与时间特性,模型提取的微表情特征中包含着大量的冗余信息,致使模型不够鲁棒;由于微表情数据的采集和标注工作困难且工作量巨大,可用于微表情研究的数据库样本稀少且类别不平衡,这将导致模型易于过拟合,从而降低模型的识别能力。针对以上问题,本文开展了基于深度学习时空分析的微表情识别算法研究,主要贡献如下:第一,提出了面部肌肉运动特征与身份特征分离的微表情识别算法,构造了双分支神经网络,其中一支为微表情判别分支网络,另一支为身份判别分支网络。在微表情判别分支网络上添加了多路注意力操作模块,构造了散度损失函数,帮助该分支网络关注不同的面部运动区域从而提取出更加全面的面部肌肉运动特征;在身份判别分支网络上添加了全局注意力模块,帮助该分支网络关注轮廓等重要的身份判别信息。将微表情判别分支网络提取出的微表情时空运动特征与身份判别分支网络提取的身份特征同时送入互信息神经估计器,产生互信息损失,使微表情面部肌肉运动特征同身份特征分离。该算法设计了多个训练阶段,使用了融合交叉熵损失函数、散度损失函数和互信息损失函数的联合损失函数训练微表情判别分支模型,使该分支模型提取出更加纯净、更加全面且更有判别力的微表情时空运动特征。该算法在SDU数据库、MMEW数据库、SAMM数据库以及CASME Ⅱ数据库上进行了大量的实验,获得了比较有竞争力的识别率,验证了各个分支、各个模块以及各个损失函数的有效性。第二,提出了联合对比学习与跨模态五元组损失的微表情识别算法,构造了一种动作单元（Action Unit,AU）掩膜生成网络,针对每个样本序列生成对应的AU掩膜。将AU掩膜与各个样本序列相乘以实现对样本序列的初步时空注意力处理,减少了样本序列的冗余信息。根据心理学家普拉特切克对情绪内在联系的解释,确定了各类微表情的难例样本类别,为跨模态五元组损失函数的提出奠定了基础。将微表情样本作为锚样本,在其他微表情样本中选取与锚样本类别相同的样本为微表情正样本,选取锚样本的难例类别的样本为微表情负样本,在宏表情样本中选取与锚样本类别相同的样本为宏表情正样本,选取锚样本的难例类别的样本为宏表情负样本。将这五种样本组合起来构造跨模态五元组,并构造跨模态五元组损失函数,扩大了样本数量,提高了网络收敛的速度并提高了模型的特征表示能力。将微表情样本的RGB模式和光流模式作为两种感知视角,分别以RGB感知视角和光流感知视角作为锚视角,构造正负样本对并进行对比学习,产生对比损失,使模型提取出RGB感知视角与光流感知视角的通用时空运动特征。将RGB特征与光流特征融合后送入全连接层进行分类。该算法使用二分类的交叉熵损失函数训练AU掩膜生成网络,使用融合多分类交叉熵损失函数、跨模态五元组损失函数和对比损失函数的联合损失函数训练特征提取网络。该算法将CK+数据库作为参与训练的宏表情数据库,在SDU数据库、MMEW数据库、SAMM数据库以及CASME Ⅱ数据库上进行了大量的实验,获得了比较有竞争力的识别效果,验证了各个损失函数和模块的有效性。