随着信息化社会以及图像识别技术的发展,面部微表情识别在国防安全、临床诊断、交流判断和教学评估等领域具有一定实际意义。与通常持续0.7至2秒的面部宏观表情相比,微表情具有持续时间短(0.04至0.2秒)、动作幅度低和局部运动的特点。由于正确识别面部微表情有着相当的难度,在计算机视觉领域中,自动面部微表情识别系统的探索具有现实意义。在微表情识别领域,现阶段大量研究工作集中在传统特征提取方法上,快速、鉴别性的特征提取与建模是自发微表情识别的关键问题之一。近年来,深度卷积神经网络(CNN)在各个领域都显示出强大的功能,并且优于传统的手工特征以及浅层分类器。CNN作为特征提取和分类器应用于微表情识别成为提高识别性能主流趋势。本文着重于微表情识别中鲁棒特征提取和深度建模的研究,主要贡献概述如下:1、建立具有自适应关键帧表示的微表情分析框架,以提高提取微表情时序特征的有效性。结构相似性指标用于自适应的选择微表情序列关键帧,鲁棒主成分分析用于获取稀疏关键帧的信息,此外构建双重交叉模式进行特征提取。在CASME2和SMIC微表情数据集上进行实验,取得64.63%和62.8%的识别率,同时在识别速度上也有着提高。2、为了进一步提高微表情空间特征提取的鲁棒性,提出了一种基于局部区域关键帧的微表情识别新方法。人脸被划分为五个局部兴趣区域,各区域分别提取关键帧并得到双重交叉模式特征,最后有选择性的串联各区域特征形成最终的特征向量。在CASME2微表情数据集上进行实验,最高取得68.71%的识别率,说明基于局部兴趣区域的方式,可以充分利用面部各个区域的位置结构信息,有效的去除了不相关区域对微表情识别的影响。3、为了充分挖掘微表情中的深度特征,对基于迁移学习的深层模型进行了建立和训练。结构相似性指标被用于寻找微表情序列中的关键帧,通过关键帧和初始帧得到微表情序列的差分图像,Resnet-18在CK+、CASIA、fer2013表情数据集上预训练,之后将网络参数迁移到微表情中进行微调。在CASME2、SMIC-HS微表情数据库上进行实验,分别取得74.39%、76.22%的识别率,说明了基于小数据集迁移学习微表情识别的适用性。