人脸表情识别在日常生活中发挥着越来越重要的作用,人脸表情识别技术的发展,将自动驾驶、虚拟现实和各种社交机器人等应用带入到现实生活。目前,计算机视觉领域的许多任务都是基于深度学习的各种技术,而深度神经网络获得良好的性能是以存在大规模的训练数据为前提。由于情感的主观性高,对人脸表情图像的标注需要耗费大量的人力和财力,导致真实场景中带标注的人脸表情数据样本不充足,不能满足深度学习对大量标注数据的需求。此外,真实场景中的人脸图像存在各种情况的局部遮挡,如手、帽子、眼镜等。这些局部遮挡会造成面部外观的显著变化,使得模型提取到的特征包含与情感无关的冗余信息而导致判别力下降,这是造成目前真实场景人脸表情识别率不高的主要原因之一。针对上述人脸表情识别领域的相关问题,分别提出一种基于加权对比学习的真实场景人脸表情识别方法和一种基于局部全局关系约束的真实场景人脸表情识别方法,论文的主要内容和创新点如下:（1）基于加权对比学习的真实场景人脸表情识别方法。针对真实场景中带标注的人脸表情数据不足的问题,提出一种新的自监督前置任务——加权对比学习,该任务充分利用大量未标注的人脸表情数据,并以自监督的方式学习表征。具体来说,首先通过预分类模块,提前获取预训练数据的伪标签用于构建后续加权对比学习的训练批。其次,通过加权对比损失函数对中间样本进行加权,以减少类内差异,扩大不同实例之间的距离。最后,将学习到的表征迁移到目标人脸表情分类任务中,对表征参数进行选择性冻结,以监督的方式对目标人脸表情数据集进行微调。实验结果显示:在公开的基准人脸表情数据集RAF-DB和FER2013上,所提出的方法的性能分别达到86.96%和71.42%,优于目前领先的方法。（2）基于局部全局关系约束的真实场景人脸表情识别方法。针对真实场景中的面部局部遮挡给全局特征带来噪声的问题,提出基于局部全局关系约束的真实场景人脸表情识别方法,获取各局部显著情感特征并关注局部特征与全局特征之间的关系。方法主要包含两大分支:具有遮挡感知的对比学习预训练和下游人脸表情识别任务。首先利用对比学习,构建经过特定数据增强的正样本对学习具有遮挡感知的表征,再将此表征迁移到下游人脸表情识别任务,以提高局部遮挡人脸表情识别的性能。为了获得更有效的注意力,在下游任务中将每张人脸图像的表情分析问题转化为多个局部区域的情感检测问题,使用细粒度加权情感特征学习模块学习人脸不同局部区域的通道-空间注意力图及细粒度加权特征,并进行融合,削弱遮挡内容带来的噪声影响。最后提出约束损失确保融合特征识别正确类别的性能优于各个局部区域,从而优化最后用于表情分类的融合特征。实验结果表明,无论是在公开的非遮挡人脸表情数据集（RAF-DB和FER2013）还是合成的遮挡人脸表情数据集上,所提出的方法都取得了与现有方法可媲美的结果。（3）设计并实现基于自监督学习的真实场景下的人脸表情识别原型系统。原型系统采用MATLAB中的GUI模块设计图形用户界面,系统核心算法使用Python程序设计语言和Pytorch深度学习框架等完成。该原型系统主要包含三大块:图像预处理模块、人脸表情识别方法训练模块以及识别结果可视化模块。其中,原型系统均实现基于加权对比学习和局部全局关系约束的真实场景人脸表情识别方法。通过原型系统的展现,证明本文所提出方法的可行性和实用性。