众所周知,表情是人类表达情感信息的重要载体,在日常沟通中发挥着十分重要的作用。到目前为止,面部表情研究已经成为机器视觉和模式识别领域的热点课题,吸引大量学者的兴趣。微表情是一种人们试图隐藏真实情绪的情感假象。由于微表情的真实特性,微表情识别在政治发展、医学研究、国家安防以及心理学研究等领域,具有十分远大的应用前景。然而微表情数据集具有类别数量多、持续时间短、数据量少和面部表情特征不明显等特点,导致微表情识别研究仍处于起步阶段。传统纠错输出编码算法（Error Correct Output Codes,ECOC）在处理微表情数据集时忽略数据特性。针对这个问题,本文提出一种基于多重数据复杂测度的纠错输出编码矩阵改进算法（Various Data Complexity-ECOC,VDCECOC）,利用多种差异较大的数据复杂度测度产生大规模的编码矩阵,并根据微表情数据特点,提出一种基于数据复杂度的特征选择方法,进一步提高编码矩阵特征空间的差异性。实验证明该算法在微表情数据集上实现良好的分类效果。深度学习方法也是一种解决多分类问题的研究方法,但由于过拟合现象导致识别效果不理想。本文提出一种基于深度森林（DeepForest）和卷积神经网络（CNN）的集成算法DeepForest＆CNN,通过集成学习的方式将深度森林生成的重表示特征和卷积神经生成的高阶特征融合,差异化特征空间,提高模型对微表情数据集的适应性。实验表明,该方法进一步地提高了微表情识别的准确率。