近些年随着人工智能和深度学习的发展,在情感计算和人机交互等领域,面部运动单元作为全方位描述面部动作的研究已经吸引了众多研究者的关注。面部运动单元的检测有助于人脸表情的识别与分析。面部运动单元（Facial Action Unit,AU）是根据人脸的解剖学特点和面部表情的肌肉运动定义的,在人表达某种特定情绪的时候,人的表情是通过多个面部运动单元共同作用形成的,由此可以看出面部运动单元之间存在着关联。然而我们发现,在许多实际网络中,直接运用面部运动单元之间的关系进行模型训练的方法常常被忽略。本文旨在根据面部运动单元之间的联系,提出了一种基于图卷积神经网络建模的面部表情运动单元的检测方法,以提升检测的精度。此模型框架分为:面部运动单元感兴趣区域（Region Of Interest,ROI）的划分、面部运动单元ROI的特征提取、面部运动单元关系图的建立、图卷积操作、面部运动单元检测这五个方面。首先在面部运动单元ROI的划分上,根据面部行为编码系统和人脸特征点信息,划分出AU ROIs;然后通过若干个自动编码器对选取出来的AU ROIs进行特征提取,并且对模型的部分参数进行预训练;接着计算AU共生的条件概率来获得AU之间的共生关系信息,再通过AU关系来推演到AU ROI的关系上来,并得到AU ROI关系图;再根据建立的关系图应用图卷积神经网络,让AU间的信息在关系图内部进行传递;最后通过分类器来解决这个AU检测的多标签分类问题。本文介绍了该模型训练的具体实现方式和超参数的设置;采用了定性评估和定量评估两种评估方法,定性评估是对重建后图片的生成质量进行评估,定量评估分为与现存主流面部运动单元检测方法之间的结果对比和消融实验。其中消融实验对模型的三个组件进行分析,以此来证实模型的组件对于模型效果的提升有所帮助。