情绪是人类生活中不可分割的一部分。因为微表情是不受人类自主控制的,其对人类情感分析具有重大的意义,十分具有研究价值。微表情识别的含义为根据给定的微表情样本判断其情绪类别。目前微表情识别领域的现有方法仍存在一些问题:（1）现有方法对微表情帧的面部图像直接进行研究,对人脸的各部分没有区分度,而微表情只出现在面部的局部位置,对整个面部运动进行分析会与此特性冲突。（2）微表情数据集制作难度大,现有数据集体量较小,深度学习方法得到的模型泛化能力差。（3）各微表情数据集的样本分布存在较大差异,测试集和训练集有不同的分布,实际识别效果差。本文主要研究内容如下:针对问题一,本文设计了基于光流法的人脸分区方法,通过光流法追踪面部运动信息,发现面部运动最活跃的几个区域,之后通过分区的整体相似度确定合适的分区尺度,最终提取出微表情最可能发生的几个人脸关键区域,集中在眉毛、嘴唇和鼻尖附近,并将其作为后续研究对象。针对问题二,本文讨论了胶囊网络与传统卷积神经网络相比在小数据集上的优越性,使用胶囊网络代替传统卷积神经网络构建模型,提升模型的泛化能力。本文基于胶囊网络构建了微表情的多个识别模型,与现有的深度学习方法对比。本文的模型在SMIC、SAMM和CASMEII的混合数据集上拥有较好的实验结果,非加权平均召回率（Unweighted Average Recall,UAR）和非加权的F1分数（Unweighted F1-score,UF1）最高分别为0.7678和0.7468。实验结果表明本文提出的方法效果好于其他深度学习方法,胶囊网络提升了模型的泛化能力。针对问题三,本文针对跨域跨数据库的微表情识别,提出了基于对抗的领域自适应方法、基于特征空间适配的领域自适应方法和基于最大分类器差异的领域自适应方法,应用胶囊网络构建了三种领域自适应的微表情识别模型。在此基础上,分别进行单源域和多源域上的实验。在单源域实验和多源域实验中,本文的设计的模型都将识别的准确率提升了约10%。在留一法交叉验证实验中,本文提出的方法取得的UAR和UF1分别为0.7381和0.7220,领先其他的深度学习方法。这表明本文的方法能够提升跨域跨数据库的微表情识别准确率。