随着互联网行业的发展,深度学习技术在各个研究领域得到了广泛的运用,特别是在计算机视觉相关领域。人脸表情识别属于学科交叉的领域范畴,它的研究可以让机器学习人类的情感,有助于提高人机交互的效率,这一技术可以推广到医疗、交通、教育等不同的日常情景。但表情识别的准确率容易受表情图像中光线、角度、细节等因素影响。因此,为进一步提升表情识别网络模型的性能,本文共分三个方面对表情识别深度网络进行改进,主要工作包括:（1）将分组卷积和上采样方法加入残差网络。为提取表情图像中更多的特征细节,本文提出一种结合特征分组上采样的表情识别算法。首先,在RAF-DB数据集上进行对比实验,实验结果表明,改进方法可以显著提升模型的性能,但不同的分组数会对性能产生影响。然后,在最佳分组数下其它数据集上进行实验,结果同样证明了该方法的有效性。（2）将表情平均特征的概念引入表情识别领域。针对人脸表情识别任务的特点,本文提出一种提取表情平均特征的模块。该方法中,将人脸表情特征分为表情平均特征和表情个性特征。首先,将数据送入网络中提取表情个性特征,再将同一批次所有的表情个性特征融合为表情平均特征。然后,将上述两种特征融合为最终的表情图像特征。在多个数据集上的实验结果表明,该方法可以大幅提升基准网络的性能。（3）将注意力机制引入表情识别网络。为了使网络可以提取更多有效的特征信息,同时抑制冗余信息和噪声,本文在基准网络的结构中加入注意力模块。首先,在RAF-DB上进行对比实验来确定效果最优的注意力机制。结果表明,空间注意力对网络性能的提升最为明显。然后,在其它数据集上进行验证实验,结果同样证明了空间注意力的有效性。在与众多先进算法的比较中发现,尤其在RAF-DB数据集上,本文的算法精度极具竞争力。