持续的疼痛刺激会引起新生儿近期和远期不良反应,因此对疼痛的预防和管理不可忽视。新生儿无法用语言自述疼痛,只能由专业的儿科医护人员通过疼痛指标进行疼痛评估,不仅耗时耗力,评估结果也存在主观性差异。因此,开发一种应用在临床上的新生儿疼痛自动评估系统为医护人员提供客观精准的疼痛评估具有重要的现实意义。本文对基于深度学习的新生儿疼痛表情识别技术进行探究,重点研究了三维卷积神经网络(3D Convolutional Neural Network,3D CNN)在新生儿疼痛表情识别中的应用,主要研究内容如下:(1)鉴于原始图像易受光照的影响,提出一种基于局部二值模式(Local Binary Pattern,LBP)和三维卷积神经网络的新生儿疼痛表情识别方法。为了探索不同网络结构对识别率的影响,研究了三种三维卷积神经网络:C3D、R3D和R(2+1)D网络,并对C3D和R(2+1)D网络结构进行改进。实验结果表明,基于LBP特征图序列的三维卷积神经网络识别率高于基于原始视频帧序列的三维卷积神经网络。(2)研究基于决策层融合的新生儿疼痛表情识别。对于三种三维卷积神经网络,分别将基于原始视频帧序列和基于LBP特征图序列的网络模型进行决策层融合,通过采用加权平均法对Softmax分类器输出的概率分布矩阵进行加权求和以得到联合决策结果。实验结果表明,基于决策层融合的方法比单通道三维卷积神经网络识别结果更好。(3)研究基于特征层融合的新生儿疼痛表情识别。本文采用特征串联的融合方式,构造三个双通道三维卷积神经网络:双通道C3D、双通道R3D和双通道R(2+1)D网络,将新生儿原始视频帧序列和LBP特征图序列同时作为网络输入,训练端对端的神经网络,进而实现特征提取、特征融合与分类器训练过程的整合。实验结果表明,基于改进的双通道C3D网络达到本文最佳识别结果,识别率为64.18%。