随着深度学习技术的发展和成熟,深度学习技术被广泛的运用于各个研究领域,使得许多领域都有突破性的进展,尤其是在计算机视觉领域。在计算机视觉中图像风格迁移学习是一个热门研究方向,图像风格迁移可以使图像转换风格,而图像内容保持不变。风格迁移学习主要通过两类损失函数:内容损失函数和风格损失函数来训练模型,使得生成的图像风格转换为目标图像,而内容则保持和原图一样。面部表情识别技术是属于模式识别、情感计算等学科交叉的研究领域,面部表情识别的研究有利于提高人机交互效率,并且可以通过计算机获得人类的情感,这一技术可以运用于交通、医疗、教育等不同场景。人脸识别技术已经成功的应用在人们实际生活中,但是人脸识别准确率仍旧受到诸如光照、姿势、表情等因素的影响。因此本文将风格迁移技术应用在面部表情识别和人脸识别上,主要的研究内容如下:（1）因为一个人的面部表情可以被分解为表情成分和中性成分,所以本文提出一种基于风格迁移的面部表情识别方法。该方法通过训练循环一致生成对抗网络（Cycle-GAN）得到不同的生成器;这些不同的生成器可将不同的表情迁移到中性,因此每个生成器对应一种不同的表情。在测试阶段,输入表情图像到上述训练好的的生成器中。由于只有与输入的表情对应的生成器能迁移成中性表情,因此可以通过这种方式实现面部表情识别。实验结果表明:该方法不仅在实验室条件下获得的面部表情数据集中表现突出,而且在自然条件下获得的面部表情数据集中也有非常高的识别率。（2）受到基于风格迁移的面部表情识别方法的启发,提出一种基于风格迁移的人脸识别方法。在人脸识别任务中,多表情是影响人脸识别准确率的一个因素,本文所提的方法使用风格迁移技术,消除多表情的影响,从而提高人脸识别准确率。具体的使用循环一致对抗生成网络（Cycle-GAN）作为风格迁移模型,训练数据集中每一个表情图像转化为中性图像的生成器。将转换后的表情用于人脸识别,使用三种不同的方法提取人脸特征,并且将实验结果与未使用风格迁移方法的结果对比,证实本方法在人脸表情差异较大的数据集上有更好的表现。