在人机交互领域,基于图像的人脸表情识别技术是建立机器情感感知能力的关键途径。在实践过程中,往往存在一些表情图像与其对应标签类的标准图像在像素矩阵的空间分布上差异较大,这导致表情图像往往被错误识别,使得表情识别率较低。对现有数据分析后,其结果显示:这类被错误识别的表情在经过特征提取和编码网络重建后,其特征与对应类别所有图像特征的均方误差和平均绝对误差的偏离度较大,一般大于1.0。本文将这些图像定义为异常表情图像,并对此类异常表情的现象进行研究论证,最后能够将异常表情图片从数据集中检测出来。首先,为了提升表情识别准确率,本文提出了一种多尺度的结合注意力机制的识别人脸表情的方案,将不同尺度特征融合注意力之后再进行集成,从而取得了较好的效果。该方案首先设计了一种创新的通道注意力与空间注意力融合的注意力模块,然后从主干网络分出大中小三个特征尺度,接下来每个尺度的特征将会和注意力模块分别结合,最后采用集成学习的方案将不同分支进行集成,得到更优结果。该方案在AffectNet-7数据集下,达到了64.04%的准确度,在RAF-DB数据集的验证下,达到了89.05%的准确度,比现有公开发表的成果提高了0.07%。然后,本文针对表情识别技术中异常表情的问题,设计了情绪编码网络的方案,使用主干网络提取的特征与对应的表情编码器重建误差,得到表情图像的异常度,从而检测异常表情。本方案首先从主干网络中提出不同的表情的特征,再将表情的特征送入对应编码器中进行训练。预测时,表情图片会从主干网络中得到表情分类结果,同时还会进入对应的表情编码器通过重建误差的方法计算出图片的异常度,然后根据设定的异常度阈值来判断表情是否异常。为验证效果,本方案在人为判断和FACS辅助的情况下,制作了验证异常表情识别情况的数据集;在对AffectNet数据集进行筛选和异常标签标注后得到的AffectNet-abnormal数据集上,达到了84.61%的准确度;在网络数据和RAF-DB的混合数据集Mixed-dataset的验证上,达到了87.09%的准确度,是异常表情识别领域目前的创新成果。最后,本文结合人脸表情识别模型和异常表情识别方案设计了一套集成异常表情筛选的表情分析系统。本系统按照软件工程的流程要求,从分析、设计、部署、测试等方面进行了论述,对论文技术的实际落地使用进行了研究和验证。