微表情研究属于交叉学科研究,其研究内容涉及计算机科学和心理学。心理学家认为人类产生微表情具有不自主性,因此,微表情可以反映人类内心的真实情感。近年来,微表情识别被广泛应用于心理治疗、公共安全和司法讯问等领域。微表情具有两个特点:1)持续时间短暂;2)发生时面部肌肉变化微弱。这两个特点导致微表情识别十分困难,即使是经过培训的专业人员对微表情进行人工识别,得到的识别准确率也不高。因此自动的、精确的、鲁棒的微表情识别算法是具有研究意义和实用价值的。近年来,随着深度学习理论的发展和计算机算力的增长,卷积神经网络和生成式对抗网络等深度学习算法被广泛应用于计算机视觉领域。本文针对微表情识别展开研究,主要工作如下:（1）给出一种融合时空注意力机制和残差连接的微表情识别网络Res Net AM（Residual Network with Attention Mechanism）。针对微表情识别的两个特点,首先利用Farneback光流法计算微表情视频序列帧之间的光流信息以便更好地表现面部肌肉的细微运动。其次设计微表情注意力模块,该模块由空间注意力通道和时间注意力通道构成并行双通道结构,其中空间注意力通道可以增强图像中出现微表情的局部区域的权重,时间注意力通道可以增强微表情视频序列中有表情帧的权重。最后,为了避免深度神经网络训练时的退化问题,在Res Net AM网络中引入残差连接。在CASME II、SMIC-HS、SAMM和联合数据库四个数据库上使用留一交叉验证法进行微表情三分类实验,Res Net AM在上述四个数据库上的UAR值分别达到0.9333、0.8333、0.7143、0.8509,UF1值分别达到0.8519、0.7995、0.4753、0.7778。（2）给出一种基于生成式对抗网络的微表情识别网络ME-GAN（Micro-Expression Generative Adversarial Networks）。ME-GAN网络具有五个微表情生成分支:1)开心类微表情生成分支;2)惊讶类微表情生成分支;3)生气类微表情生成分支;4)厌恶类微表情生成分支;5)伤心类微表情生成分支。在训练阶段,使用对应种类的微表情样本训练每个微表情生成分支中的生成式对抗网络,直至微表情生成分支可以生成特定种类的微表情图像。在识别阶段,将五个微表情生成分支生成的图像与原图像计算L1误差,误差最小的分支类别即为识别结果。在CASME II和SAMM两个数据库上使用留一交叉验证法进行微表情五分类实验。ME-GAN在CASME II数据库上的UF1值为0.8809,UAR值为0.8396,在SAMM数据库上的UF1值为0.8024,UAR值为0.8056。（3）设计并实现一个在线微表情识别系统,利用图形化界面使得微表情识别更简便,有助于推广微表情研究的成果。