作为人类内心情感的直观表达方式之一,面部表情在日常生活、学习、工作、交流之中起着十分关键的作用。目前计算机已经拥有通过人脸图像识别“理解”人类情感的技能,人面部表情识别研究也取得了显著的进步。本文分析了人面部表情识别的过程以及常用方法。研究了卷积神经网络、胶囊网络的基本原理、网络模型结构以及这两种网络的特点。胶囊网络中,使用包含空间位置特征的胶囊向量来替代卷积神经网络中的标量,因此胶囊网络可以更好的处理需要保留空间位置特征的分类问题。使用多个残差模块替代传统胶囊网络中的基础卷积层,提出了基于残差胶囊网络（ResCapsNet）的面部表情识别算法,并通过实验验证了其在面部表情识别中的有效性。传统胶囊网络会无差别的解释数据中的一切信息,实际中信息的价值并不相同,因此通过将SE模块与残差模块融合,使得网络可以获得具有特征通道权重的特征图,这也是本文中提出的融合注意力机制的残差-胶囊（Attention-ResCapsNet）模型。本文使用RAF-DB-BASIC和FER2013数据集分别对ResCapsNet与AttentionResCapsNet模型进行训练与测试。基础胶囊网络在FER2013数据集上准确率、召回率、精确率的值分别为64.58%、59.43%、62.95%;在RAF-DB-BASIC数据集上准确率、召回率、精确率的值分别为75.79%、64.57%、74.32%。ResCapsNet模型在FER2013数据集上准确率、召回率、精确率的值分别为72.37%、63.54%、70.69%,识别准确率较基础胶囊网络提高了7.79%,在RAF-DB-BASIC数据集上准确率、召回率、精确率的值分别为86.43%、75.49%、81.21%,识别准确率较基础胶囊网络提高了10.64%。AttentionResCapsNet模型在FER2013数据集上准确率、召回率、精确率的值分别为73.01%、64.58%、70.81%,识别准确率较基础胶囊网络提高了8.43%,RAF-DB-BASIC数据集上准确率、召回率、精确率的值分别为87.12%、77.36%、83.54%,识别准确率较基础胶囊网络提高了11.33%。