面部表情是个人情绪的外在表达,是复杂心理过程的体现。人脸表情识别作为人脸识别的一个重要分支,一直是人工智能研究领域的热点并且具有广阔的应用前景,例如应用在远程教育、安全驾驶、营销辅助、刑侦等领域。由于表情存在着复杂性以及微妙性,实现实时的人脸表情识别仍是一大难题。为了解决该问题,本文提出了一种基于卷积神经网络集成学习的人脸表情识别方法。同时为了解决数据集分布不均匀的问题,将局部特征和整体特征进行了融合。本文的主要内容如下:首先,选用三个经典的卷积神经网络,分别为AlexNet、VGGNet、ResNet。将这三个网络的层数都修改至10层以内,并采用Stacking集成学习的方法,将三个网络集成为一个强分类器,去掉网络最后的全连接层,改用SVM分类算法进行表情最终的分类和识别。设置好参数后,选取FER2013数据集作为训练的数据集,训练三个经典网络及集成的卷积神经网络至收敛,对实验结果进行比对分析,得到最终表情的识别率为70.84%。然后针对表情数据分布不均导致表情识别率不均衡的问题,使用了一种将局部特征与整体特征相融合的方法。由于表情的特征信息主要与鼻子、眼睛、嘴巴这三种器官有关,因此为了去除多余的冗余信息,用harr裁剪器将数据集中的表情图片裁剪为三部分,分别为鼻子、眼睛、嘴巴。将这三种局部特征图片分别送入三个修改后的卷积神经网络进行预训练,运用集成学习的思想将这些局部特征进行融合,通过最终的混淆矩阵图,可以看出识别精度提高到71.27%。最后将训练好的模型进行实际应用,本文使用基于Python接口设计的PyQt5库来完成整个表情识别系统的设计。设计好的系统具有以下功能:能够选择模型实现表情识别的功能;能够识别静态的人脸表情图片;能够显示识别的时间;能够打开摄像头,识别实时的人脸表情。测试结果表明该系统能精确的识别七种面部表情且具有较快的识别速度。本文采取集成学习算法,将三个经典网络进行集成,并采取扩充训练数据集等相关优化算法来进一步提高表情识别的准确率。实验是在FER2013数据集上进行的,实验结果表明,该模型在FER2013数据集上表情的识别准确率达到71.27%。最终完成的表情识别系统能够实现实时、高性能的表情识别。该方法能够解决表情识别误差带来的种种问题,可以广泛应用在人们日常生活中,提高人们工作效率和生活质量。