人脸表情识别在许多领域已得到广泛应用,例如:人机交互、生物学、安防等领域。近几年在深度学习的助力下,人脸表情识别的识别率更是显著提升。就目前人脸表情数据集而言,大多在可见光谱下采集,表情识别率受光照变化影响较大。同时,多数表情识别的数据集均采用静态单帧图像,然而人脸表情变化是动态过程,基于图像序列的研究相对于单帧图像更符合表情产生的本质特性。针对以上问题,我们提出了基于三通道三维卷积神经网络的近红外人脸表情识别,本文工作如下:(1)采用了三维卷积神经网络进行近红外人脸表情识别。该网络自动提取近红外图像序列的时空特征,有效的利用了人脸表情的动态信息。尽管,三维卷积神经网络已经在之前被提出,但是我们首次探索三维卷积神经网络在近红外人脸表情识别中的应用。(2)设计了三通道三维卷积神经网络NIRExpNet。NIRExpNet包含两个子网络:全局网络(Global Network)提取整体人脸的全局特征,局部网络(Local Network)提取部分人脸(人脸的上半部分和下半部分)的局部特征。(3)通过实验进行NIRExpNet网络的微调。为了避免过拟合现象的出现,通过实验设计了一个中型的卷积神经网络结构。全局网络采用VGG-M-2048网络结构,局部网络采用两个卷积层的浅层网络结构。并且,最终选取级联(Concatenation)融合方式进行三通道的卷积神经网络融合,使得整个NIRExpNet网络可以更好的融合全局和局部特征以及最终达到最优的状态。本文采用Oulu-CASIA近红外人脸表情数据库测试。实验结果显示,NIRExpNet获得78.42%的识别率,超越了其他对比算法(LBP-TOP(72.33%)、3D HOG(60.00%)、3D CNN DAP(72.12%)、DTAGN(66.67%)),证明了本文提出算法的有效性。