表情是人类内心世界的外在映射,是分析情感的重要途径,通过研究人脸表情,可以了解情绪的变化,从而正确引导情绪。人脸表情是一种复杂的研究对象,涉及到生物学、社会学、心理学、行为认知科学等多方面领域,如今随着一些关键学科取得重大进展,人脸表情识别的研究已成为热门领域,并在许多场景下有了应用,例如远程医疗、安全驾驶、情感分析等方面。对于人脸表情识别的研究,当前的主流方法是基于卷积神经网络的深度学习方法,该方法通过对人脸表情图像的卷积,从而实现人脸表情特征的自动提取,能够取得很好的识别效果。然而,大多数的深度学习的方法,需要堆叠过多的神经网络层,才能提取到表征能力强的抽象特征,这使得网络架构有大量参数,导致不容易训练。针对这种问题,本文对传统的卷积神经网络架构进行了一些修改,设计了用于人脸表情识别的三种新型卷积神经网络架构。首先设计了一种仅9层神经单元的神经网络架构,该架构的卷积层连续使用两层进行堆叠,这保证了特征提取不容易产生干扰,可以提取出具有表现力的特征向量。该网络在确保准确率的情况,使用了较为简洁的结构,较少的参数量也使得网络容易训练。第二种架构是在双层卷积神经网络架构的基础上增添了一条支路,形成了一个双路神经网络,该网络的支路构造要比主路更为简单,仅仅是双层卷积结构换成了单层结构,主路与支路提取的特征向量通过逐元素相加的方式进行融合,进而提高了识别准确率。此外,支路网络与主路网络需要的数据类型不同,主路使用原始数据,支路要使用经人脸检测算法检测切分出的表情图像。第三种架构是在双层卷积神经网络的基础上引进中心损失函数,具体做法是添加一个中心损失模块,该模块的两个输入分别是正确解标签向量与表情特征提取向量,统一两个向量的维度之后计算两个向量的差距,并在每次训练中缩小这个差距。中心损失函数可以用来配合原有的Softmax损失函数,以实现增大类间差异、缩小类内差异的目的,进而提升识别准确率。为了验证提出的三种网络架构,选取了三种人脸表情数据集,分别是Fer2013数据集、JAFFE数据集以及CK+数据集,每种网络架构要在这三种数据集上进行实验,以说明该模型的泛化能力,九种实验结果与其他方法的比较,充分证明了三种网络架构的优越性。