随着信息时代的进步,计算机技术的发展,人脸表情识别技术开始受到很多专家或学者的关注,因其独特的技术特点,其在智能领域例如人机交互、医院看护、游戏互动、安全驾车等应用中都被广泛应用。由于人类的面部表情特征的都或多或少存在一些个体差异性,所以传统的表情识别技术经常伴随特征提取不充分、受外界环境影响大的缺陷,从而导致了系统最终的平均识别准确率低、针对不同人群泛化能力不强等方面的问题,使用深度学习的技术方法可以更好的将面部表情图像中的个体特征细节提取出来,使其最终的识别准确率高且具有较强的群体泛化能力。本文研究并实现了一种基于PCE的非对称BN-CNN的人脸表情识别系统。本文主要完成的工作有:(1)提出了一种新的适合于表情识别应用的CNN网络结构。将传统CNN中的Pooling层替换为批标准化层(BN层),并且还加入了Dropout层和Softmax层,完成了BN-CNN网络结构的搭建。同时优化了网络训练中的损失函数,筛选更新了网络反向传播中的梯度优化函数。(2)如果图像直接输入到BN-CNN网络会导致特征提取不完善的问题,本文在BN-CNN网络模型的基础上加入了预处理模块。预处理模块对传统主成分分析法进行了改进,提出了基于面部结构点检测的主成分提取法。该方法定位面部结构点,将面部主要器官区域提取出来,再将处理好的图片输入到BN-CNN网络模型中进行训练。(3)针对在添加预处理模块后导致实时动态识别帧数降低的问题,将非对称卷积加入到了BN-CNN网络结构中,取得不错的识别准确率以及实时动态识别帧率。本文提出的基于PCE的非对称BN-CNN的人脸表情识别系统具有很强的鲁棒性。