面部表情在日常生活中扮演着重要的角色,通过它传递的信息量远远多于语言和语音。如今人机交互越来越频繁,理解人的情感并自然地与人交互也是未来机器人发展的必然方向。而且,表情识别作为情感计算中关键性技术,在养老、教育、医疗、娱乐等领域都有广阔的应用前景。面部表情识别是计算机视觉领域内一个重要且具有挑战性的研究课题。面部表情变化带来的差异性是很细微的,不同表情特征可区别性较小,这使得计算机很难准确地识别人的面部表情。此外,用于表情识别网络的原始图像往往是低分辨率的,而常用的卷积神经网络需要较大的输入尺寸。过度地上采样图像以适应网络输入,不但增加了计算量,识别效果反而有所下降。针对这些问题,本文从卷积神经网络结构优化、损失函数优化等方面展开研究,主要工作及贡献如下:1、提出了一个新颖的用于低分辨率图像面部表情识别的空洞卷积神经网络。该方法结合了空洞卷积操作,将网络设计为前后端结构,减少模型中池化操作的使用,使网络变深同时更适合低分辨率的图像。此外,后端呈锯齿状的空洞率设计,保证了特征图中感受野大小,模型识别准确率得到提升。2、提出了一个基于中心平衡损失的联合损失函数,训练模型具有更好地特征提取能力。结合数据特点,在中心损失函数中引入一个用于平衡各个类别中心距离的平衡项,在更新类别中心时进行修正,约束不同类别间的重叠程度。使用交叉熵与中心平衡损失的联合损失函数训练模型,测试结果表明识别效果有所提升。3、结合本文提出的卷积神经网络,提出用于视频图像序列的面部表情识别方法。通过结合卷积神经网络与长短期依赖网络,将基于静态图像的模型扩展用于视频图像序列面部表情识别。