随着人工智能和机器视觉技术的迅速发展,面部表情识别作为人机交互的重要组成部分,具有非常广阔的应用前景。在以往的面部表情识别方法中,研究者通常使用2D静态图像或2D视频序列结合传统分类器来完成识别任务。这种方法的局限性在于,一方面,传统分类器的分类精度往往过于依赖分类器的参数;另一方面,2D图像易受姿态和光照的影响。针对以上问题,本文提出了两种基于卷积神经网络(Convolutional Neural Network,CNN)的面部表情识别系统。本文主要对个体静态面部表情图像进行识别分类,主要研究内容如下:为了验证深度神经网络的分类能力优于传统分类器,本文基于CNN构建了一个单通道双输入网络框架,并引入局部二进制模型(Local Binary Pattern,LBP)来捕捉面部纹理信息以提升网络性能。使用目前较具代表性的CK+、JAFFE和FER2013面部表情数据库验证该框架的有效性,识别精度依次为97.34%、98.92%和67.71%。同时,并行设计三组对比实验进行性能比较,以证明该网络框架的优越性。针对2D图像的局限性,本文基于CNN构建了一个双通道双输入网络框架,并使用Kinect传感器采集了一个新的RGB-D(彩色+深度)面部表情数据库。数据库包含了年龄在20至25岁之间的15名受试者(9名男性和6名女性)的7种表情(中性、愤怒、厌恶、恐惧、高兴、悲伤和惊讶)。同时,对采集到的RGB-D图像使用图像归一化、像素滤波、灰度渲染和面部抽取的方法进行预处理,最大程度地利用图像的有用信息。实验结果表明深度信息的引入有利于面部表情识别的研究。