人脸表情包含丰富的情感信息，表情识别在人工智能、智能安防等领域有广阔的前景。目前，表情识别的研究主要集中在以正面无遮挡的表情图像为对象，但遮挡在现实生活中是不可避免的，从而致使表情识别的识别率下降和鲁棒性差。因而，针对在遮挡条件下的表情识别的研究已成为计算机视觉应用领域的研究热点。
　　本文主要针对在遮挡条件下进行表情识别研究。从表情特征提取，卷积神经网络设计，增强算法对遮挡的处理能力入手，针对表情识别中遮挡问题进行了一系列的工作。研究难点包括以下两个方面:
　　(1)当在遮挡确定条件下，传统表情识别特征提取方法不能很好的描述表情特征，识别率下降较大，如何最大程度的提高表情识别率是该方向难点。
　　(2)当在遮挡不确定条件下，由于遮挡可以出现在人脸的任何地方，遮挡的形状也是未知的，没有任何关于遮挡的先验知识，如何改善表情识别的鲁棒性是该方向的难点。
　　针对以上问题，本文在前人研究的基础上，提出了相应的解决方案，具体来说，本文的贡献和创新点主要包括如下:
　　(1)针对遮挡确定条件下，本文依据深度学习在特征提取的优势，逐层地构建一个多层的深度神经网络，通过使用可训练的卷积核提取隐式的特征，让计算机独立地从样本数据中学习到表征这些样本的更加本质的特征，采用池化层对提取的隐式特征进行降维处理，最后采用Softmax分类器进行分类识别。设计了针对不同遮挡的卷积神经网络模型CNN-7，并设置了最优的卷积神经网络模型参数。
　　(2)针对遮挡不确定条件下，本文利用卷积神经网络在鲁棒性的优势，通过设计针对在遮挡不确定下的卷积神经网络模型RCNN(Robust Convolution Neural Network)，并设置了最优的模型参数，通过RCNN卷积神经网络进行人脸表情识别，改善了在遮挡不确定条件下表情识别的鲁棒性。