人脸表情含有丰富的内心情感信息,是人们情感交流的重要途径之一。学习状态下的表情识别是智能教辅系统的关键,及时识别学习状态下的表情有助于老师或家长判断学习者是否对学习内容感兴趣,从而及时采取调整措施,提高学习效率。深度学习采用端到端的模式,以原始数据作为输入,最后的识别结果作为输出,将特征提取和特征分类合并进行,回避了传统方法中繁杂的人工提取特征和分类过程,并且深度学习方法是靠数据驱动,对光照、姿态、遮挡物等问题不敏感,在机器学习与人工智能领域应用广泛。本文以提高人脸表情识别的准确率以及泛化能力为研究目标,采用深度学习中的卷积神经网络方法进行了表情识别相关研究,主要工作如下:1.为了提高表情识别准确率,提出了一种卷积神经网络改进方法,采用小尺寸卷积核连续卷积层的方式提取更细致的局部特征并增加网络的非线性表达能力,实验证明该方法能有效增强模型特征提取能力。2.为了进一步提高表情识别准确率和识别效率,在每个卷积层后添加批规范化层,通过在Fer2013人脸表情数据集上实验,验证了该方法的有效性。3.引入学习过程中最常见的困倦和专注两种表情对表情数据库进行扩展,建立了学习表情库。4.搭建了基于表情识别的学习兴趣检测系统,该系统能实现人脸检测、学习表情识别分类等功能。