面部表情识别是深度学习中的一个研究热点,较大的类内差距严重影响了面部表情识别的准确率,如何能利用表情识别提高安检的准确度,成为保障环境安全的重中之重。因此解决面部表情识别中类内差距大的问题,准确识别面部表情,找出被监控的可疑分子,对解决复杂环境安全问题尤为重要。面部表情智能识别技术虽已经有较长的研究历史,技术较为成熟,但是由于面部表情类内差距大,类间差距较小,外在影响因素较多,识别结果差强人意。而深度学习由于具有强大的表达能力,所以在真实环境面部表情识别领域成为研究热点。本文针对基于深度学习的真实环境面部表情识别进行更进一步的研究,具体工作如下:(1)对面部表情识别的国内外研究现状进行了阐述,介绍了传统神经网络的模型结构,在真实环境面部表情识别背景下进行了相应的对比实验和分析,并提出基于深度学习的IC-GAN(Intral-Class Gap GAN)真实环境面部表情识别方法;(2)采用网络下载以及视频的方式获取样本数据,针对数据存在类内差距较大的问题,采用图像扩充等预处理方式自制数据集,增加大量类内差距较大的面部表情特征的复杂度,为面部表情识别精确度的提高提供了可靠的数据基础;(3)构建的IC-GAN网络由卷积层、全连接层、激活层、BN(BathNorm)层以及Softmax层组成,其中使用卷积组建编码器、解码器对面部表情图像进行更深层次的特征提取,保证了面部表情识别的精度;(4)网络训练和网络识别均采用基于动量的Adam更新网络权重,调整网络参数优化网络结构,降低网络对面部表情识别的误差,提高识别准确率;(5)采用Python GUI编程的方法,设计交互界面,将识别结果应用到实际生产生活中,实现了表情识别的应用。为解决真实环境中由较大的类内差距引起的识别率低等问题,针对地铁、火车站、机场等复杂环境,构建一种新的IC-GAN网络识别模型,使其更好的适应于复杂的面部表情识别任务。本文基于深度学习中的Pytorch平台对面部表情类别数据进行训练,在自制的混合面部表情数据集的测试集上进行测试,在输入图像为256×256时,识别准确率高达84.9%,IC-GAN网络模型在保证精度的同时,降低了表情在类内差距较大、图像模糊和面部表情拍摄不全情况下的误识率,提高了系统鲁棒性。