微表情是一种连续时间短、动作强度小、涉及面部区域小的自发表情。微表情识别在心理诊断、案件侦破、危险预警、交通安全、商业谈判、外交事务等领域都发挥着重要的作用。目前,微表情识别的最大的困难是样本之间的微小差异和缺乏足够的训练样本,导致识别率低下。现提高微表情识别率主要有三种方法,一种主要为特征提取和机器学习方法,如精细微表情特征抽取方法等。另一类主要为卷积神经网络方法,如尝试迁移其他领域的知识来改善识别性能等。还有一类为尝试用生成模型生成样本,将生成的样本用数据增强的方式加入训练集中提高样本识别正确率,但因目前国内外对于微表情生成的研究处于空白。基于上述情况,本论文提出了两种微表情生成模型:基于运动单元多标签的微表情生成对抗网络模型和基于重构跨域视频生成对抗网络模型两类生成模型,生成了清晰度、流畅度和真实性都较高的微表情视频片段。具体而言,本论文主要贡献如下:·提出了基于运动单元多标签的微表情生成对抗网络模型,将脸部运动单元(Action Units,AU)以多标签的形式加入生成对抗网络。时序生成器和视频生成器决定了微表情的时间序列和标签生成。图像生成器保证了微表情的图像清晰度高和视频动作效果良好。图像判别器确保了生成的图像内容与真实的微表情高度相似。视频判别器使生成的内容的动作与面部动作单元的细微动作轨迹一致。光流判别器引导生成器学会面部运动的细微差别。简易的注意力机制保证了生成高质量微表情的数量。通过将生成的样本作为数据增强的样本加入到微表情识别的训练数据集中,在CASMEⅡ、MMEW和SDU数据库上的识别正确率最高提升了 7.4%、4.3%和7%,证明生成的微表情视频样本质量高,实用性较强。·提出了基于重构跨域视频生成对抗网络模型,通过跨域的思想利用了宏表情的脸部情绪和身份信息,既扩充了微表情数据库的多样性,又保持了生成微表情的身份信息。利用重构的思想保证了生成的宏表情和微表情的真实性。通过将生成的样本作为数据增强的样本加入到微表情识别的训练数据集中,在CASME Ⅱ、MMEW和SDU数据库上的识别正确率最高提升了 7.4%、6.4%和10%,证明生成的微表情样本质量高,实用性较强。