人脸情绪识别是提升机器智能程度的重要环节,在社交机器人、医学治疗及疲劳驾驶监测等人机交互系统中有着广泛的应用。传统的人脸情绪识别主要靠人工提取特征结合分类的方法,存在操作复杂、特征表征能力不强、效果差等问题,用深度学习的方法来替代传统人脸情绪识别方法可以有效弥补上述不足。随着人们对深度卷积神经网络的认知不断更新,特定人脸情绪识别算法中的网络结构不合理、训练效率低下等问题显现。本文为解决这些问题,对整个系统中的人脸检测和小尺度情绪识别分别展开研究。针对特定的人脸检测算法网络,提出了一种网络调整的方案。对特定的人脸检测算法网络结构进行深入分析,包括参数量、计算量和感受野。采用连续堆叠的小卷积核构成小卷积核加速模块,替换网络浅层特征提取模块。采用空洞卷积结合普通卷积构成视觉感知模块,替换网络深层特征提取模块。通过实验验证了网络调整方案的有效性。针对人脸检测算法模型训练,提出了一种引导式训练策略。启发于教师教学的渐进式特点,在网络训练的周期中引入真实目标信息,并逐渐减少信息量。通过实验验证了引导式训练策略的可行性。针对小尺度人脸情绪识别,提出了一种基于注意力机制的网络。对算法场景进行分析,调整经典网络的结构,构成基础网络。启发于人眼注意力机制,将注意力机制模块应用于基础网络中,构成基于注意机制的网络。通过实验验证了基于注意力机制的网络是具有竞争力的。