人脸表情是人与人之间交流信息的重要方式之一,对人脸表情进行识别可以更加全面的了解人的内心世界。因此,人脸表情识别成为了当前人脸识别领域的研究热点之一,受到国内外科研人员的广泛关注。目前,人脸表情识别在医学领域、交通领域、图像分析领域等方面有着广泛的应用。因此,对人脸表情进行识别和分析有着重要的研究意义和价值。然而传统人脸表情识别方法在表情特征提取中选取的特征没有很好的表征能力,而且需要根据人们的经验手工提取特征,这些存在的问题都会对模型的识别效果产生较大影响,导致模型的泛化能力较差。随着深度学习方法的日渐成熟,卷积神经网络在图像处理领域的应用越来越广泛,人脸表情识别研究又有了新的研究方法。综上,针对上述存在的问题,本文在以下几个方面展开工作:(1)使用卷积神经网络对表情图像进行特征提取,卷积神经网络有自动选择表情特征学习的能力,而且把特征提取和表情分类合并为一个方法,避免了传统表情识别方法在特征提取阶段提取到的特征表征能力不足的缺点。VGGNet(Visual Geometry Group Network)网络具有连续的3×3的小卷积核的结构,增强了模型的非线性表达能力,能够提取更高级别的表情抽象特征,所以采用VGGNet对表情进行特征提取。在人脸表情特征提取之后,对提取到的表情特征进行可视化,分析其特点。(2)对VGGNet网络进行改进,将VGGNet的最后一个全连接层去掉,设计一个4层的全连接神经网络对提取到的表情特征进行训练,训练时采用Softmax层对表情进行分类,加入Dropout层降低参数量避免出现过拟合现象,引入批量归一化层(Batch Normalization,BN)避免网络深度加深导致无法训练的情况。(3)设计一个人脸表情识别系统,验证本算法性能。将使用上述算法训练出的表情识别模型作为基础,使用PyQT编写界面,开发一个人脸表情识别系统,使用者做出一个表情系统进行识别,根据识别的结果系统返回一个笑话或者搞笑图片来改善使用者当前的情绪状态。本文设计的方法使用Tensorflow深度学习框架,在RaFD、CK+和JAFFE表情数据库上进行实验,相比其他方法准确率有一定的提高,识别准确率达到了90%以上,实验结果表明VGGNet网络能够提取到更深层的表情特征,对于表情识别有更好的效果。