人脸表情识别具有重要的研究价值。为了实现有效的人脸表情识别,学习鲁棒的表情特征至关重要。然而,人脸表情图像常常受到人脸身份、光照、姿态等因素的影响,严重干扰了表情特征的提取。此外,不同表情之间也存在着极大的相似性。上述问题使得人脸表情识别面临极大的挑战。为了解决上述问题,本文分别提出两种方法:首先,本文提出了一种基于干扰分离学习的人脸表情识别方法。为了实现有效的人脸表情识别,减轻人脸图像中各种干扰因素的影响十分重要。然而,大部分表情数据集都只提供表情标签,而不包含干扰因素的标签。为此,本文提出了一种新的基于干扰分离学习的人脸表情识别方法。该方法借助了多任务学习技术和对抗性迁移学习技术,能够在数据集中没有干扰标签的情况下,同时并且有效地减少多种干扰因素对表情特征提取的影响。实验结果表明此方法在五个常用数据集上与其他方法相比都有优越的性能表现。其次,本文提出了一种基于特征解构与重构学习的人脸表情识别方法。不同的人脸表情之间存在着一些相似性,这种类间相似性约束了表情识别模型的性能。表情信息由不同表情之间的共享信息和每个表情的特有信息组成。基于上述观察,本文设计了一个新的基于特征解构与重构学习的人脸表情识别方法,分别用于学习表情信息中的共享信息和特有信息。具体地,该方法主要包括两个核心模块——特征解构学习模块和特征重构学习模块。实验结果表明该方法在五个常用数据集上都有着优越的性能表现。