面部表情是一个人表达情绪最直接的形式之一。由于人机交互的发展,许多领域开始关注人脸表情识别。近几年深度学习方法显著提升了人脸表情识别准确率,但在实际应用中仍存在一些问题:首先,深度学习需要大量训练数据,但现有人脸表情数据库不足以训练出在实际应用中能产生可靠结果的深度神经网络;此外,不同个体的差异,如表达情绪的方式和表情强度的差异,也会给人脸表情识别带来挑战。现有大多数表情识别方法一般将表情分为离散的若干类别,如:高兴、厌恶、惊讶、悲伤、愤怒和恐惧六种基本表情类型。然而,这样分类过于离散,忽略了情绪的连续性和复杂性。情绪也会有强弱之分,如高兴可以分为:微笑,开心,兴奋。现有表情识别往往忽略了这一点,同时也缺少表情强弱分布均衡的大规模数据库。针对上述问题,本文提出在Arousal-Valence情感空间中基于维度情感模型的表情图像生成方法,对不均衡训练数据进行数据增强,提高表情识别模型准确率。主要研究内容和研究成果包括:1)提出基于标记分布的人脸表情图像生成算法。现有人脸表情数据库的数据量往往有限,数据质量参差不齐,且大多数针对传统六种基本表情和中性表情。针对该问题,本文提出了基于生成对抗网络的使用标记分布思想处理表情标签的人脸表情图像生成方法。该方法基于Arousal-Valence维度情感模型划分表情空间,利用标记分布处理的A-V值表示表情类别以体现表情的复杂和连续性,从而使有限的训练数据提供更多的表情信息。为了生成高质量的人脸表情图像,方法还引入了身份控制和表情控制模块。在Oulu-CASIA数据库上的实验结果表明,本文方法能生成更高质量的人脸表情图像,并能通过生成人脸表情图像进行数据增强进而提升非均衡训练数据下的表情识别准确率。2)提出加强身份信息控制的人脸表情图像生成算法。为了更好地保持输入人脸表情图像的身份,本文又引入特征控制模块,对编码器输出特征进行控制,以求获得的特征更好地保留身份信息,并帮助生成器输入同一身份特征在不同表情域能生成相似的人脸图像。特征控制模块分为特征身份控制与特征表情控制,对通过编码器获得的特征进行约束,充分利用特征层面的信息。实验证明,引入特征控制的人脸表情生成算法能更好地保留输入人脸身份。3)提出改善细节表现的人脸表情图像生成算法。传统的生成对抗网络生成图像往往会出现模糊、重叠等现象。本文使用亚像素卷积与自适应实例归一化优化生成器,以解决模糊问题。并使用多尺度判别器在多个尺度上对生成器进行约束,引导生成器在不同感受野获得全局到精细的信息。结合以上策略,最终获得更高质量的人脸表情图像。