面部表情包含着丰富的情感信息,包括人的心理活动和自然思想状态等,深刻影响着人与人之间的交流体验。人脸表情识别技术作为计算机辨别人类表情状态的重要手段具有广阔的应用前景,被广泛应用于个性化推荐、远程教育、医学辅助、驾驶辅助、智慧城市、人机交互等领域。近年来,随着人工智能的发展,表情识别成为了计算机视觉领域的研究热点,吸引了大量研究学者的关注。本文从特征提取、改进损失函数两个角度着手开展研究工作,主要工作和创新点总结如下:1、针对人脸表情识别类内差异大、类间相似度高的问题,提出了一种基于角度距离组合损失函数与小尺度核网络的表情识别方法。该方法参数量较少并提高了网络的类间特征分离和类内特征聚类的特征判别能力。实验结果表明该方法可以有效提高表情识别率。特别地,在CK+人脸表情公开数据集上,本文提出的角度距离组合损失函数,相对Softmax和Island损失函数分别提高了3.03%、1.11%。2、针对现有的人脸表情识别模型没有利用跨层级间的多尺度信息的问题,设计了一个用于人脸表情识别的多尺度双线性池化网络(Multi-scale Hierarchical Bilinear Pooling Network,MHBP)。通过精心设计的三种不同的粗细尺度网络提取人脸表情全局特征。并引入了分层双线性池化层,集成多个同一网络以及不同网络的多尺度跨层双线性特征来捕获不同层级间的部分特征关系,从而增强模型对面部表情微妙特征表征的判别能力。实验结果表明,MHBP网络在FER2013公开人脸表情数据集的识别准确率比3?3,5?5,7?7单一尺度网络分别提高了3.037%,2.034%,2.173%,验证了粗细尺度网络的优越性。3、针对卷积神经网络逐层卷积、池化导致丢失有用特征信息的问题,提出了一个多层特征信息融合的方法。该方法将不同阶段的所有卷积层输出的特征图拼接融合,并通过反卷积逐层上采样还原到上一阶段池化前的特征图大小,并与融合后上一阶段的所有卷积层做加性融合。最后把每阶段的加性融合特征图,通过全局平均池化降维添加到全连接层分类。最终提升了人脸表情识别的性能。结合2、3点的方法,最终在FER2013和CK+数据集上识别率分别达到73.725%、98.283%,优于较新的人脸表情分类算法,具有较强竞争力。