21世纪的社会已经不仅仅是人与人的沟通交流,人与机器的交互变得逐渐频繁,机器智能化正在逐渐改变人们的生活方式,因此让机器学会分析人类的情感变得尤为重要。从前研究者们利用各种数学方法来人工构造图像特征,再与传统机器学习方法相结合来对图像中的人脸表情进行识别,取得了一定的效果。但是现有的人脸表情数据集中存在样本不足以及数据不均衡等问题;人工构造的特征存在信息丢失以及传统机器学习方法对人脸表情识别存在精度不高、泛化能力弱等问题;个别人脸表情数据集存在标签异常、图片异常等问题以及人脸几何结构和面部外观的高度差异性。人脸表情识别依然面临巨大的挑战。在过去的十年中,深度学习方法成为了机器学习领域的热门话题,于是越来越多的人通过各种神经网络模型来进行人脸表情识别研究,并且获得了更好的模型性能。针对上述人脸表情识别中的研究难点,本文主要研究工作如下:(1)本文提出了一种特征选择网络(Feature Selection Network,FSN),通过在AlexNet中嵌入一个特征选择机制来自动提取和过滤人脸特征。本文所设计的特征选择机制有效地过滤了不相关的特征,并根据学习到的特征图强调了相关特征,在多个数据集上的实验结果表明,FSN在很大程度上优于AlexNet。此外,在不同数据集的交叉验证实验中,FSN的泛化能力也优于AlexNet。(2)针对FER2013数据集存在的标签错误、情感模糊、图片错误等问题,本文提出了样本权重分配算法(Sample Weights Allocation,SWA)来对训练集中样本的识别难易程度进行区分,另一方面让网络的学习进程从简到繁。通过在两个公开表情数据集上进行实验,验证了该算法在提高表情识别精度方面的有效性。(3)本文提出了一种基于特征稀疏约束的正则化方法,它可以学习具有更好泛化能力的深层特征。正则化约束被集成到损失函数中,并通过深度学习进行优化。通过与神经元稀疏约束和权重矩阵稀疏约束进行实验对比,证明了该算法具有优秀的性能和更好的模型泛化能力。