宏表情识别经过多年的研究已经取得了杰出的成绩,而在现实的生活中,由于人类对于自然流露的表情有隐藏其的趋向,此时情感表现往往会从宏表情收缩为微表情。微表情是面部肌肉的简短、快速、自发的姿态变化,表达个人的真实情绪,在国防安全、案件刑侦、心理病理、社会交际等各个领域具有重要的实际意义。早期的微表情识别系统一般基于手工制作的传统特征制作,近年来,深度学习在计算机视觉领域大放异彩。由于微表情持续时间短、变化微妙,在进入深度学习时代后,自动微表情识别仍然是计算机视觉领域中的一项极具挑战性的研究课题,在二维图像上提取微表情细微和短暂的肌肉运动特征对于深度学习网络来说是一个困难的任务。目前,微表情识别的研究存在如下问题:（1）即使采用联合数据库,微表情仍然面临数据缺乏导致的识别精度低或过度拟合的问题。（2）数据库样本有较明显的分布差异,少数样本分类的特征无法得到充分表征,导致模型对少数类的分类能力差,对数据库产生过拟合的问题,从而缺乏实用性。（3）微表情数据库样本之间的细微差异使得单一特征的深度网络面临表征能力不足的问题,目前微表情研究者的工作聚焦于正面人脸微表情生成的面部二维时空特征,利用面部三维时空特征的工作很少。针对上述问题,本文提出了几种针对微表情识别现有难点的方法:（1）面对微表情数据缺乏的问题,扩增了高潮帧邻域内20%序列总量的微表情图像帧充当高潮帧使用,显著增强了数据样本的多样性。（2）面对数据库样本分布差异问题,首先是采用了Focal Loss损失函数对各个类别分配适当权重,增强模型的分类效果。其次,在多流融合上使用了通道注意力分配适当权重。最后,在评估参数上采用了未加权平均召回率和未加权F1分数这两种对样本不均衡抗性较强的评估指标来评估实验结果,强化识别精度的可靠性。（3）面对微表情的细微差异所导致的深度模型表征能力差的问题,从有限的训练数据中提取了多种异构的微表情特征,包括人脸三维重建获得的三维面部空间特征以及光流特征,并利用它们之间的互补性进行融合,提升微表情识别的准确率。为了实现上述思路,本文提出了一种端到端可训练的异构深度特征提取与融合网络模型。具体来说,本文的研究内容如下:（1）调研了目前微表情识别的研究现状,介绍了基于手工特征的传统方法和基于深度神经网络这两种策略的微表情识别方法,列举了目前常用的一些微表情数据库,分析了微表情识别研究的目的与意义。（2）列举了本文运用到的人脸三维重建技术、图卷积神经网络以及光流估计技术的基本原理。调研了微表情识别领域的相关算法并与本文方法进行了对比,分析了本文方法与相关算法的区别。（3）基于异构数据的多通道深度神经网络的微表情识别方法。介绍了本文构建的基于异构数据的多通道深度神经网络模型（HDF-Net）,并对各个通道的结构与基本原理做出了阐述,并采用数据扩增、通道注意力等机制加强了识别效果。（4）基于本文方法进行了实验并对实验结果作出了分析。首先,我们说明了本文的多通道深度神经网络的输入预处理以及参数选择。然后,我们对提出的HDF-Net进行了充分的消融实验,对实验的各个模块的作用进行了分析。最后,我们在CASMEⅡ、SAMM、SMIC以及三者的联合数据库上展开大量实验,验证了本文方法对比其他方法的优势。