如今社会已经正式迈入5G网络技术发展的大门,在日常生活中无不充分体现出科技给人们带来的便捷,这都离不开机器学习、深度学习、人工智能的应用与发展,其中人脸表情识别则成为该领域下研究的热点问题之一。人脸表情识别在智能课堂、智能人机交互、智能影音娱乐、国防安全等众多领域发挥着非常重要的作用。但是目前人脸表情的特征提取受众多因素的影响,比如面部遮挡、光照强度、人脸角度、年龄种族及其样本量不足等,表情识别率有待提高,同时人脸表情识别实时应用需要较高的识别速度,这给人脸表情识别带来了挑战,提高人脸表情识别率和速度是该课题研究的重点。本文主要利用深度学习算法中的卷积神经网络（CNN）模型来进行人脸表情识别研究,并结合传统的表情提取算法、数据预处理、注意力机制等技术,提高人脸表情识别的准确率和速度,具体的研究内容如下:1、提出了一种基于局部二值模式（LBP）和权重优化下的CNN人脸表情识别方法。首先通过对原始样本数据集进行预处理,并将处理好的数据集利用局部二值模式获取局部纹理特征;然后将得到的LBP特征的样本数据集进行多次随机打乱,加入到不同的经典CNN模型中,利用随机梯度下降算法（SGD）对每次打乱的样本数据集进行训练及验证,并保存其中最优权重下的CNN模型;最后用测试集对CNN模型在CK+数据集和FER2013数据集上进行验证,实验结果证明在添加LBP提取特征后的不同权重优化下的卷积神经网络在识别率方面相对于其他未加入LBP特征的卷积神经网络都有着不同程度的提高。2、为了保证模型的识别效果,同时提高模型的识别速度,提出了一种改进的CNN人脸表情识别方法。由于前面使用的经典CNN网络模型框架大,网络参数比较多,虽然算法整体识别效果得到了提高,但是网络的识别速度并不是很高,所以本文对经典的卷积神经网络进行研究,自建了一种CNN网络,并将注意力机制模块CBAM加入到CNN网络中来加强提取人脸表情的重要信息,抑制不必要的关注点,最后分别在CK+数据集和FER2013数据集上进行实验,并验证了该自建模型的有效性。结果证明该方法不仅使得表情识别的识别率维持在一个相对较高的水平,同时模型的识别速度得到了一定的提高。3、设计了一个能够在线实时检测和识别人脸表情的系统,从而验证本文研究算法的实用性,实现人脸表情识别的可视化。该人脸表情在线实时检测和识别系统利用前文训练好的融入注意力机制的CNN模型作为识别算法,能够实时地检测并计算出每种表情的分类概率,最后将分类概率最大的那个表情作为实验者的表情识别结果。该系统使用算法采用深度学习框架Py Torch开发,系统设计利用OpenCV和PyQt5等库来实现,具有一定的应用价值。