面部微表情是指面部肌肉的瞬间变化,表明一个人正在有意识或无意识地抑制自己的真实情绪甚至心理活动。因此,微表情识别吸引了生理学科和计算机视觉研究范围的多种研究工作,在生理学科方面的心理学领域应用广泛,作为测谎的理论基础,也可以在临床诊断、刑事审问、交易谈判等方面发挥作用。微表情识别方面研究一直处于初级阶段,主要问题在于由于微表情的面部表情受压小和持续时间短,这对捕捉视频中的微表情进行检测来说十分困难,对于微表情数据库中训练数据的收集带来一定的难度,影响模型实验结果。随着深度学习的发展,计算机视觉成为近年来研究热门领域,各种理论与技术相继出现,对微表情识别起到很好的推动作用。深度卷积神经系统已证明对困难的面部识别任务具有高度的有效性,本文在此基础上探讨了将卷积神经网络模型扩展为3D卷积神经网络,提出使用两种能够同时作用于时空领域的3D模型提取视频中的动态表情信息,将所提出的模型在微表情数据集上训练,得出模型的准确性,并与传统方法对比,展示实验结果。本文中研究工作包括以下三个方面:(1)针对视频中动态微表情序列,提出使用3D卷积神经网络模型提取特征,其中一种结构为能够处理视频中RGB流的3D卷积神经网络模型,将视频中检测到的面部轮廓当作识别对象处理,网络结构简单;另外一种是使用GoogLeNet网络架构作为模型基础,将其中的Inception子结构从空间领域扩展到时空三维领域处理动态视频,并且作为同时处理视频中的RGB流与光流的双流3D卷积神经网络。(2)将提出的3D卷积网络模型在Tensor Flow平台上训练,使用GPU并行计算提高实验效率,用于实验的数据集为CAS(ME)~2和SM IC两种微表情数据集,将测试得到成果与历年来的方法对比分析,取得相对较好的测试准确率。(3)最后,搭建一个基于Web的微表情识别服务应用,对输入视频中的微表情给出分类准确率测量。通过WebRTC技术中的音视频引擎获取视频流信息,通过Kurento人脸检测模块与过滤器模块获取视频流中有效的信息,最后介绍了系统的整体架构与流程。