作为人脸图像分析的一个重要分支,微表情识别任务属于计算机视觉（Computer Vision,CV）领域中的一种十分重要的子任务,在国防安全、司法刑侦、临床医学、教学评估等方面都有着广泛的应用。微表情持续时间短（1/25s至1/3s之间）,运动强度低,且不易被鉴别。随着互联网技术的不断进步和发展,自动面部微表情识别已经成为一个十分重要的研究方向。目前常见的微表情识别方法主要包括两大类:基于手动特征提取的传统方法（如:LBP）和以神经网络为主的深度学习方法（如:CNN、RNN、LSTM等）。其中传统方法对现有的时域特征提取不足,对噪声数据的鲁棒性较差。以CNN为主的深度学习的方法除了会遭受训练数据样本的不足之外,而且难以抵抗样本空间变化。胶囊网络（Capsule Networks,Caps Nets）通过用向量表示替代标量特征,这种强大的语义信息表达方式能够更好的表达实体对象与其父对象之间的关系,从而弥补CNN在抵抗样本空间变化的不足,并利用路由机制捕捉更充分有效的高级面部特征,提高微表情识别性能。因此,本文基于胶囊网络,提出两种微表情识别方法。主要工作如下:（1）提出了一个基于深度胶囊对抗域适应网络（DCADAN,Deep Capsule Adversarial Domain Adaptation Network）的微表情识别（MER）方法。为了减轻与身份信息相关特征的负面影响,应用光流预处理来编码与面部微表情高度相关的细微的脸部运动信息。然后,开发了一个深度胶囊网络来计算出光流特征上的部分-整体关系。为了解决数据不足的问题和提高网络的泛化能力,提出基于对抗鉴别器模块的域适应技术,同时引入宏观表情数据集丰富可用样本。从宏观表情数据中获得的可用样本,被整合到胶囊网络中,以训练出一个快速的端到端深度网络。最后,一个简单而又高效的注意力模块（ECA）被嵌入到DCADAN中,以自适应地将光流卷积图聚合到主胶囊层。本文使用"留一法交叉验证（LOSO）进行分析,评估了整个网络在微表情基准交叉数据库（3DB）上的性能。未加权的F1分数（UF1）和未加权平均召回率（UAR）被用作评价指标。基于MER的改进后的方法在DCADAN上取得了0.801的UF1分数和0.829的UAR分数,超过了之前的UF1分数为0.788和UAR为0.782方法。综合实验结果表明,将对抗域适应纳入胶囊网络对表示微表情中的鉴别性特征是可行且有效的。所提出的模型优于许多其他的微表情深度学习方法。（2）在验证胶囊网络对微表情特征提取有效的基础上,提出一种基于不同模态的双流胶囊网络（DSCN,Dual-Stream Capsule Network）的微表情识别方法。首先,用光流法计算起始帧与顶点帧之间的光流信息;然后,将同一个帧序列中的RGB图像和计算得到的光流信息图像分别输入到胶囊网络中,得到的这两个胶囊网络分别记作RGB流和光流分支,并获得两个预测值;最后,将光流分支的结果作为最后的结果。通过深度胶囊监督互学习引导模型进行交叉训练,以基于光流信息作为输入的胶囊网络作为主网络,基于RGB图像的输入作为辅助网络,引入分类损失判断网络的识别性能,散度损失用来指导双流之间的交叉训练和互补学习。采用留一法交叉验证,在基于SMIC、CASME II、SAMM的混合数据集（3DB）上评估模型。综合实验结果表明,基于双流胶囊网络的微表情识别性能优于基于单一模态的方法。