随着人工智能领域蓬勃发展,人机交互作为人工智能的重要手段也逐渐发展起来,原始的人机交互不能够满足现在越来越多的智能应用。人们希望计算机能够像人一样思考,并且能够与自己进行无障碍的沟通与交流。在人们的沟通过程中,情绪是传递信息的重要方式。因此,人们自然希望计算机能够理解自己的情绪,情感计算技术是实现这一功能的手段。而在情感计算技术的几个主要分支中,表情作为人们日常沟通中传达信息最常用且直观的方式,促使表情识别成为了情感计算中的一个重要的发展方向,也是本文的研究方向。目前,很多表情识别领域的研究者已经做出不少优秀的工作。但是,现存的方法仍然存在许多问题。经过对现有方法进行对比研究,发现大多数表情识别方法普遍存在一个问题,即负面表情分类准确率偏低。而在现实场景中,人们更希望计算机能够在其处于负面情绪时给予帮助,所以正确识别负面表情就变得尤为重要。因此,本文的研究方向主要锁定在如何提高负面表情分类准确率。对于负面表情分类准确率低的问题,本文进行研究和探索,发现造成该问题的原因是负面表情之间的特征更相似,并且通过神经网络可解释方法对这一原因进行验证。发现原因后,本文提出一种能够平衡类间相似性的表情识别方法,其中包含一种delta损失函数。该损失函数能够通过调整类间距离,达到平衡类间相似性的目的,从而改善负面表情的识别效果。并且对特征提取的主干网络结构进行改进,在其中引入CBAM注意力机制,对网络学习到的特征进行筛选。最终在实验结果中验证本文方法能够在公开数据集上媲美其他方法。最后,本文设计并实现一套表情识别系统,能够对静态图片或者实时视频进行表情分类,该系统具有易操作、可扩展的特点。