随着科技的不断进步发展,人脸表情识别（facial expression recognition,FER）在人机交互、安全、机器人、医疗、通信和驾驶领域得到了广泛的应用,成为学术界和工业界的研究热点。然而,人脸表情特征的提取和分类仍然面临着诸多困难和挑战,存在着一系列亟待解决的问题。一方面,现有的人脸表情数据库不完备,要获得高质量带有标记的大规模训练样本是困难,目前的表情数据库规模都不大,影响了表情识别率的提高。在表情分类中,有些表情类别之间存在极大的相似性特征,例如厌恶和恐惧,它们是两种完全不同的表情,但是在发生时却同样都具有眉毛压低,嘴唇紧闭的特征。这种不同表情之间的相似性特征大大增加了表情识别的难度。为了更好的解决这些问题,在基于现有人脸表情识别算法的基础上,本文工作紧紧围绕如何提升人脸表情识别的准确性和鲁棒性,从数据预处理、特征提取和损失函数设计三个方面展开。从人脸数据的多属性问题出发,提出了一种基于对抗式特征蒸馏的人脸表情识别算法,将人脸表情特征和其他属性特征分离开来。从人脸表情图像的组成结构出发,提出了一种基于残差特征学习的人脸表情识别算法,通过表达成分特征减去中性成分特征计算出具有表情类别区分度的残差特征。从人类识别面部表情的角度考虑,提出了一种基于对抗式学习的残差特征人脸表情识别算法,通过比较给定图像和参考图像（例如中性面部图像）之间的差异来提取面部表情的残差特征。这三个方法虽然从三个不同的角度入手,但之间是依次递进的关系。在CK+、MMI、BU-3DFE和Oulu-CASIA数据集上的实验验证,与现有的一些方法相比所提出的算法具有更优的人脸表情识别性能。所提算法分别取得了CK+98.17%、MMI 77.51%、BU-3DFE 88.67%和Oulu-CASIA 87.50%的分类准确率。为了将算法更好地应用到实际中,我们设计了一个人脸表情识别系统,使用RAF-DB数据库作为训练集和测试集,在RAF-DB数据库上取得了82.79%的分类准确率。另外,在互联网、公开数据和自拍数据上的测试结果表明,我们的系统对于常见的各类人脸面部表情都有较好的识别性能。