随着深度学习技术在不同领域中表现出的重要价值,近年来越来越多的学者开始运用深度神经网络对人脸表情的特征进行自适应地学习和识别。然而,表情识别地研究依然存在着挑战性。首先,大部分提出的基于深度学习的人脸表情识别方法是针对正面或近正面人脸的表情进行研究的,因此对非正面人脸表情的识别性能较差;其次,深度神经网络在特征提取中往往直接对二维图像进行处理,提取到的特征可能缺乏人脸细微表情的信息。针对上述问题,本文对基于深度学习的人脸表情识别算法进行了研究。针对大多数现有的人脸表情识别方法没有对非正面人脸表情进行研究的问题,本文提出了一种基于多区域学习的表情识别方法。首先,利用网格划分把人脸图像分为多个不同的区域;接着,利用卷积神经网络分别对多个区域进行自适应地特征学习和分类,并根据识别结果对各个区域赋予不同的权重参数;最后,将识别到的结果根据各自的权重参数进行融合计算,输出最终的识别结果。在CK+和RAF-DB的数据样本上进行评估,本文提出的方法表现出了良好的识别性能。基于深度学习的人脸表情识别方法通常直接对二维图像进行特征提取,然而这些特征可能无法包含表情细微变化的信息。因此,本文提出了基于多特征融合的表情识别方法。首先利用检测算法定位人脸特征点,获得人脸图像和几何特征因子图片;接着,利用卷积神经网络分别对人脸图像和几何特征因子图像的像素特征和几何特征进行提取识别;最后将结果进行加权融合,作为对最终的表情分类结果。在CK+数据集上验证了本文方法的有效性,且相比于直接进行像素特征学习的方法具有良好的识别效果。