微表情是一种短暂而不易察觉的人脸肌肉运动,微表情的发生不受自我控制,能够揭示了一个人可能试图抑制、隐藏或伪装的真情实感。不同于肌肉运动幅度较明显的宏表情,微表情可以反映一个人内心的真实想法,在公共安全、外交谈判、临床诊断等国内外热门领域中有广泛的应用。本文研究了微表情数据预处理技术、提出了基于3D-Dense Net模型和双注意力机制微表情识别算法。主要工作如下:1.针对微表情持续时间短、运动强度低、样本量小等识别难点,研究了微表情数据预处理技术。首先使用主观形状模型（Active shape model,ASM）和Procrustes方法对人脸进行检测和对齐,将图像数据统一为相同尺寸。其次,采用时域插值模型将SMIC,CASME-II和SAMM数据集中微表情视频样本统一插值为20帧。此外,使用数据增强的方法,通过平移、镜像、随机旋转等方法将数据样本量扩充为原始数据样本量的10倍。最后,使用基于TV-L1光流法放大微表情的运动轨迹,增大微表情的变化强度。2.提出了时域三维Dense Net网络（T-3D-Dense Net）的微表情识别算法。考虑到微表情为动态视频帧的形式记录,本文将Dense Net扩展为3D-Dense Net,有效学习微表情的时域特征。在此基础上,改进3D-Dense Net网络中传统的传输层为时域传输层,得到时域三维Dense Net网络（T-3D-Dense Net）,从短、中、长三个不同卷积深度由浅入深提取微表情特征,有效提高微表情识别精度。3.提出基于双注意力机制和T-3D-Dense Net模型（DAT-3D-Dense Net）的微表情识别算法,根据模型的空间特征和通道特征进行权重分析,加强特征相关性较高区域的特征学习,抑制特征相关性较低区域,在SMIC,CASME-II和SAMM数据集上准确率分别达到了90.85%、92.28%、83.82%;F1指标分别达到0.8901、0.9127、0.8431,优于当前一些典型的微表情识别算法。实验结果表明,双注意力机制的引入,能明显提升模型性能。4.对基于微表情识别的测谎应用进行了探索,设计了测谎问题,基于本文提出的模型训练得到的权重结构,使用Python和Py Qt5设计实现了微表情测谎系统。测试表明,该系统能初步达到基于微表情的测谎应用。