面部表情识别就是对人脸表情状态进行辨识,在目前的人工智能研究中是一个重要的研究领域。面部表情在人的日常交流活动中占据了重要的地位,在自动化程度越来越高、人机交互越来越受到重视的今天,如果计算机能够更好地辨认出人的表情状态,那么人机交互体验将会得到大幅提高。不仅如此,表情识别还可以广泛地应用于医疗、教育、驾驶、游戏等方面,具有重要的科研价值和实用价值。学术界对于人脸表情识别的研究一般分为对静态图片上的人脸表情的识别研究和对动态视频中的人脸表情进行识别,其中,识别静态图片上的人脸表情状态是本文的主要研究内容。深度学习是目前人工智能领域最为火热的方法,随着近几年计算机硬件性能的大幅提升和数据量的暴增,深度学习在诸如语音识别、图像识别、自然语言处理方面都取得了显著的成果,各种深度学习模型也不断产生,在各个领域都取得了突破性的成功。如何利用深度学习理论在表情识别方面取得成果,使其可以被运用到实际生活中来是人工智能的一个前沿研究方向。针对上述情况,本文应用深度学习方法对静态人脸表情识别展开研究,在对深度学习理论和各类模型进行研究分析的基础上,对已有模型进行了轻量化改进,总结提出了一种使用bagging框架构建的基于卷积神经网络的集成分类器模型。该模型在人脸表情识别中能较好地保持了表情识别的准确率和稳定性,并比之已有模型大大降低了集成学习器的复杂程度,同时也降低了训练和测试模型时所耗费的时间和计算机硬件资源。为了模拟接近真实场景的背景环境,本文通过从电影片段中截取电影帧作为训练数据集来对模型进行训练。相较于普遍使用的人脸表情数据库,该数据集中人脸表情的状态和所处环境更接近于真实情况,且人脸的角度也更为多样化。基于该模型,本文设计并实现了一个基于B/S架构的静态面部表情识别系统。该系统拥有拍照识别表情和上传多张本地图片识别表情两种识别模式。本文对该系统的运行流程和表情识别准确率分别进行了测试,其中对于系统识别准确率的测试本文采用了电影帧和真实照片两个测试数据集。实验证明,本文的静态面部表情识别系统在人脸表情识别中能保持较好的识别准确率。