近年来,随着人工智能技术的飞速进步以及微表情理论不断发展,微表情识别领域受到越来越多的关注。作为特殊的一类表情,微表情表达了人类的真情实感,因此研究微表情具有重要意义。然而微表情具有发生时间短、变化幅度小的特点,这增加了微表情检测和识别的难度。尤其是微表情样本间的差异不明显,导致难以提取到具有代表性变化的信息。不同的算法提取到的特征代表不同信息,算法选择不当很容易造成特征冗余或是特征丢失,从而影响识别率。考虑到微表情需要精细化的特征,本文采用了深度学习的方法对微表情进行全面细致的研究。研究内容分为三部分:基于人脸全局特征的微表情识别、基于人脸关键点的微表情识别以及基于决策融合的微表情识别。基于人脸全局特征的微表情识别模型从整张面部图像提取信息,该模型首先将经过迁移学习的VGG face网络作为特征提取器提取面部图像序列信息,降低网络过拟合风险。接着将提取到的特征输入到空间注意力模块和时间注意力模块中,该模块能聚焦于微表情有显著运动的区域,以及给每帧图像赋予不同的权重。最后,将经过调整后的微表情序列特征输入长短期记忆网络（LSTM）处理时域特征。考虑到微表情运动仅出现在人脸部分区域,从整张人脸提取的信息可能会提取到与微表情无关的信息,造成特征冗余。因此本文同时采用人脸关键点的方法对微表情进行识别,该模型利用人脸特征点标注领域的Face mesh网络提取图像序列的面部关键点信息。接着将图像序列的关键点特征向量输入到空间注意力模块和时间注意力模块中,利用该模块计算各关键点的重要性,以及为不同的帧分配不同的权重。最后,将经过注意力模块调整后的面部序列关键点特征向量输入到长短期记忆网络（LSTM）处理时域特征。最后是基于决策融合的微表情识别算法研究,对前述两个模型的预测输出进行决策融合,使用一个可训的决策器输出最终的结果。并与其他算法进行对比,结果表明本文算法的有效性。