人脸表情识别是计算机视觉中的一个重要的领域。随着人脸表情识别的不断发展和深入的研究,人脸表情识别在心理学,教育,数字娱乐,人机交互等方面有着广泛的应用。利用卷积神经网络进行人脸表情特征提取的时候往往需要大量的训练数据,在实际中常常缺少标记数据。由于人脸表情的多变性和实验室环境可控环境下采集的数据与外界不空控因素所采集数据使得不同数据集之间存在很大的分布差异,如人脸表情的姿态变化、背景复杂、人脸表情遮挡、同一人脸表情的表达因采样主体的不同存在不同的尺度变化等,因此如何使用存在分布差异的数据集使得人脸表情迁移学习成为一个重要的研究课题。现有的基于迁移学习的人脸表情识别大多采用浅层网络、深度学习网络方法。本文提出嵌入注意力机制模型的人脸表情迁移学习方法来进行人脸表情识别,主要研究工作如下:1.在人脸表情特征学习部分,本文采用RestNet50的卷积神经网络进行特征提取,将最后全连接层的特征作为分类特征,同时通过嵌入注意力机制模型来改进RestNet50的卷积神经网络提高人脸表情图像的特征提取的有效性和准确性。2.在迁移学习部分,基于条件生产对抗域适应网络,利用领域分类损失对源域和目标域的特征分布进行对齐,降低了两个领域特征表示的分布差异,使采用源域数据训练的模型可以应用在目标域数据上。从而达到利用无标记的数据训练卷积神经网络来进行人脸表情识别。同时应用熵函数保证分类器预测的不确定人脸表情图像的可迁移性。3.针对本文提出的嵌入注意力机制模型的人脸表情迁移学习方法,对实验室控制采集的数据CK+数据库、JAFFE数据集和现实生活中的人脸表情数据SFEW数据集、FER2013数据集进行实验,通过对比实验和结果分析,本文算法取得了良好的效果。