目前,由于新冠肺炎疫情的影响,线上上课与线下上课相结合,已经成为教育的一种新趋势,学生面部表情的识别可以作为辅助教学的一种手段,有助于从侧面提升教学质量,教育教学将朝向真正有意义的和有价值的教学方向发展。随着计算机视觉的迅速发展,面部表情识别作为重点研究课题也逐渐延伸应用在各个领域。传统深度学习方法在一定程度上提高了表情识别率,但是由于面部表情差异性不是十分明显,导致一些表情的识别准确度较差,因此,在“互联网+教育”的教育环境中应用十分狭窄。随着深度卷积神经网络（Deep Convolutional Neural Network,DNN）的发展,人脸表情识别（FER）取得了显著进展。作为一个视觉识别问题,FER的目标是使用监督学习算法学习从面部嵌入空间到一组固定表情类别的映射。在实际中,Softmax损失并不能有效的学习区分特征。因此本文的主要贡献如下:1)首先提出了一种注意力机制卷积神经网络为A-IM-Conv LSTM的识别框架。网络以视频帧和光流图像作为双输入,被送到A-IM-Conv LSTM网络中,通过改进传统卷积长短时记忆机制网络以提取额外的解释因素。同时视频帧以及光流图像进行多特征学习,并添加注意力机制模块以推断视频图像的非遮挡程度并对特征向量进行加权表示,对遮挡度小的图像进行注意力偏移,以形成决策,最后融合所有加权后特征向量送入全连接层中。2)提出了一种新的判别分布不可知损失来优化极端表情类别不平衡情况下的分类情况。一些表情类别分布不平衡导致了识别对大类别的表情产生混淆,提出的DDU损失函数强制对多数类别和少数类别的深层特征进行类间分离。在嵌入空间中产生分离良好的深度特征簇,有选择地实现嵌入空间中相关信息的类内聚类和类间分离,使得嵌入空间到标签空间的映射更加有效。最后在公开FER数据集上进行了实验,与几种最先进的FER方法相比,所提出方法增强了特征辨别能力和提高了表情识别准确度。