随着人工智能的发展,以人为中心的面部表情识别已逐渐受到业界和学术界的普遍关注。面部表情动作单元（Facial Action Units,AUs）是面部表情的重要客观描述,并且AU的检测与分析对于理解和描述人脸表情有着重要的意义。然而,由于AU标注的复杂性以及现有的AU表情数据集的相对较小等问题,如何对现有的AU数据集的扩充,以解决AU数据集标签不均衡问题,已经成为本领域亟需解决的一个问题。本文旨在基于条件对抗生成网络的方法,提出了一种局部注意力的条件对抗生成网络（Local Attentive Conditional Generative Adversarial Network,LAC-GAN）的方法,以合成多种AU的发生状态和强度。首先,根据局部AU划分规则计算AU注意力区域,并对全局人脸进行局部特征提取,得到相应的AU感兴趣区域。然后,针对所提供的AU标签,条件对抗生成网络对相应的AU局部感兴趣区域进行AU状态和强度的合成。最后,通过注意力机制来保证关注区域与非关注区域生成的一致性,并对全局人脸进行分类与判别,从而保证了图像质量上的自然性与真实性。基于本文的所采用的方法,即能够实现单一AU的合成,又能够实现由多个AU组合的具有一定自然度的人脸表情合成,增加AU表情数据集的多样性和普适性,进而来解决目前AU检测器训练数据标注不足和样本标签不均衡等问题。本文在BP4D和DISFA两个数据集上采用定性和定量两种验证方法对模型进行评估,以证实所提出方法的有效性。定性评估主要是对图像的生成质量进行评估。定量评估主要是对生成图像的AU定量指标进行评估,以证实所生成图像对目前主流的AU检测器是有效的。