在人工智能、5G物联网和云技术等新兴技术飞速发展的今天,深度学习算法日渐成熟,基于深度学习的人脸表情识别也成为了机器学习领域里的研究热点,人脸表情识别技术的应用领域也愈发广泛。近年来,人脸表情识别被用于在“人工智能教育”领域中的研究,在新冠疫情的环境下,促进人工智能在线上教学中的应用也是一种必然的发展趋势。因此,本文研究了基于深度学习的人脸表情识别技术,并提出了基于人脸表情识别的线上教学情感评价方案。本文完成的主要研究工作如下:（1）针对如今人脸表情识别准确率不高的问题进行了研究,提出了一种改进残差网络模型的人脸表情识别方法。首先通过对原始的残差网络Res Net18进行网络加深的方式进行改进,提出了改进的残差网络C-Res Net18,接着引入自注意力加权模块构建了一个加权残差网络模型C1-Res Net18,自注意力加权模块针对每张人脸图片输出一个相应的权重,将权值用于对相应表情图片的特征向量进行加权计算,最后用CK+和RAF-DB两个公开的表情数据集对文中方法进行实验验证,其人脸表情识别准确率分别达到了98.89%和87.13%,比原始残差网络Res Net18模型和其他几类网络模型的人脸表情识别率均有明显提升,证明了该方法能有效提高人脸表情识别的准确率,具有一定的应用价值。（2）针对卷积神经网络参数量大及对大规模人脸表情数据集识别准确率不高的问题,提出了一种改进Efficient Net网络模型的人脸表情识别方法。首先提出了改进深度神经网络模型C-Efficient Net,利用Efficient Net-B5网络进行人脸表情特征提取,接着利用自注意力（self-attention）机制进行权重学习,然后通过多层感知机（Multi-layer Perception,MLP）进行样本特征拟合,并进行表情分类,并引入了高斯误差线性单元（Gelu）函数作为激活函数,最后使用CK+、RAF-DB和Fer2013这三个公开数据集对提出的模型C-Efficient Net进行实验验证,人脸表情识别准确率分别达到98.91%、87.74%和70.63%,实验结果表明其人脸表情识别准确率优于目前其他几类模型。（3）对人脸表情识别在线上教学情感评价进行了研究。一方面,提出了一种基于Efficient Net与Res Net18改进的特征融合网络框架C-Efficient Net2,由Efficient Net-B5与前文（2）中提出的C-Res Net18作为主干网络,多维度提取图像特征,引入特征融合,提高识别准确率,还提出了一种新的激活函数:指数-对数线性函数。利用公开数据集CK+、RAF-DB和Fer2013对提出的模型C-Efficient Net2进行实验验证,其人脸表情识别准确率分别达到98.94%、88.04%和72.32%,实验结果证明改进的网络模型能有效提升人脸表情识别的准确率。另一方面,提出了一种基于人脸表情识别的线上教学情感评价方案,将真实的线上课堂视频解码得到视频帧,然后设计人脸检测模块,获得系列师生课堂教学的人脸表情图片,利用改进的深度神经网络模型识别师生表情,对线上教学情感进行评价,并从一个维度对线上教学效果进行评价。