随着人工智能的快速发展,人脸表情识别的重要性也愈发明显,其在安全驾驶、智能人机交互、案件侦测、游戏革新等领域有广阔应用空间,已经成为了研究热点。传统的表情识别方法特征提取复杂,受环境影响大,识别精度低;深度学习的表情识别方法提取的特征表达能力不足,识别精度不够高,模型参数量大。本文基于特征融合与深度学习对人脸表情识别方法进行研究,主要研究内容如下:1.模型提取的特征好坏直接影响表情识别效果,针对不同表情数据类别间的特征差异度小,网络提取的特征缺乏针对性的问题,提出一种在数据预处理阶段增强图像特征信息的方法。通过局部二值模式与离散余弦变换分别获取表情图像的局部特征和全局特征,把两组特征加权融合后重组数据集,增强面部表情相关特征信息,减少冗余信息的干扰;把增强后的数据集通过残差网络进行分类识别,使模型提取到的特征表达能力更强。相比于原表情数据,在JAFFE数据集上识别率增长了0.45%,而在CK+上减小了2.02%,该方法的有效性和实用性有待提高,需进一步研究改进。2.针对现有的卷积神经网络模型算法特征提取能力不足、识别精度不高、模型参数量大的问题,提出了一种融入注意力的残差网络人脸表情识别方法。首先通过特征融合方法对卷积块注意力模块进行了改进,提升了其对表情关键特征的增强能力;将改进后的注意力模型融入残差网络,在模型特征提取阶段先增强判别性表情特征表达,再通过卷积层去提取表情特征,提升了模型特征提取性能。通过实验对比,在网络中融入注意力后,模型以较小模型参数量的增加有效提升了表情识别率;卷积块注意力模块改进后,其模型识别效果和稳定性也得到了进一步提高,在FER2013和CK+数据集上分别提升了2.68%和6.06%的识别率,证明了该方法的有效性。3.通过对注意力机制的进一步研究,针对当前注意力模型参数量大,性能不佳的问题,构建超轻量级的双池化通道注意力模型。模型采用一维卷积方式捕获跨通道交互信息,利用双通路特征向量相加融合的方法增强性能,优化了通道重要度权重获取方法。实验表明,模型融入残差网络后,以可忽略不计的参数增加量在CK+和JAFFE上提升了4.14%和6.07%的识别效果,验证了该通道注意力模型的有效性。通过该通道注意力模型结合空间注意力构建超轻量级双注意力模型,通过加入捷径连接稳定模型性能。与改进版的卷积块注意力模块相比,在模型融入网络后的参数量减少了近3M,在表情识别性能上保持稳定并小有提升。