在人类的日常社交中,表情蕴藏着丰富的情感状态与意图信息。人脸表情识别技术可以使计算机理解人的情绪与心理,在人机交互、疲劳驾驶监测、测谎、精神疾病检测等多个方面具有一定的潜在应用价值。在现实世界中,由于环境复杂多变,人类的面部会受到不可预测的遮挡,造成传统受限环境下的表情识别算法表现不佳。因此,现实环境下的遮挡人脸表情识别是目前研究的焦点所在。对此,本文经过系统全面的调研,分析现有人脸表情识别算法的优势与壁垒,构建了包含多种遮挡的多年龄层次表情数据集,研究了遮挡人脸表情识别算法,并在开源的大规模表情数据集上验证了所提算法的优越性。本论文主要工作概括如下:首先,综述了基于卷积神经网络的情绪识别相关技术研究现状,探究其与表情识别技术的关联性,阐述了人脸表情识别技术的背景与意义、国内外研究现状以及与其他领域的交叉应用情况,并分析了现有表情识别技术的局限性,总结出人脸表情识别任务中亟待解决的关键科学问题。其次,针对遮挡人脸表情数据集缺失问题,且考虑到年龄与情绪表达的关联性,构建了多年龄层次的遮挡人脸表情数据集,包含视频集和对应的图像集。将每个样本标记为愤怒、轻蔑、害怕、高兴、中性、悲伤、惊讶七类表情,每种表情又细分为老年、中年青年、少儿三类年龄层级,并提供了多种任务场景下的基准实验结果。随后,针对遮挡情况下人脸表情的无遮挡区域聚焦困难问题,引入了自注意力机制,提出了内在关联融合的人脸表情识别算法。构建了一种全新的局部增强预处理方法,使其能够从局部区域、上下文、整体图像三个语义维度获取关键辨识度特征。通过基于统计指标的类池化单元根据面片的关键程度合理分组,实现了遮挡人脸表情区域的有效解耦。再进一步聚焦面片局部与全局间的独立性以及互补性信息,有效提高了人脸表情识别的准确度。最后,介绍了半监督学习算法及其在计算机视觉中的应用,针对遮挡人脸表情局部区域特征提取与表征困难问题,且考虑到充分利用现有的表情图像数据,提出了类半监督学习的局部区域强化算法。该算法基于CutMix局部区域数据增强方法构建而成,引入了通道-空间注意力机制来聚焦表情关键区域,并且进一步融合了半监督学习的思想来强化面部区域辨识度特征提取能力,实现了局部特征级增强,提升了数据利用率与表情识别性能。