面部表情识别是生物信息识别、模式识别、人机交互与人工智能等领域的重要研究课题,深度神经网络的兴起为高精度面部表情识别的研究提供了新的契机。以纹理信息挖掘及关联为牵引,以视觉信息智能处理策略为基础,构建轻量化卷积神经网络面部表情识别模型,探索复杂环境下高精度二维目标识别机理,对于揭示复杂环境条件下的特征提取等关键基础问题,丰富和发展现有目标识别理论,拓宽深度神经网络的应用范畴,并建立面部表情识别机理与实施算法的本征关系具有重要的科学意义;通过引入轻量化技术,高效地获得高精度的识别结果对新一代人工智能的研发具有重要的科学价值。自然环境下的面部表情具有姿态变化大和光照情况复杂等特点,由于目标并不是处于实验室环境中,面部可能存在装饰品和周围环境的遮挡,所以自然环境下的面部表情识别比实验室环境更加困难。面部表情识别的传统框架为“人脸检测—人脸校正—面部特征提取—表情识别”,但从公开发表的文献来看,该框架在面部表情识别,尤其是自发面部表情识别性能方面的提升非常有限。近年,在深度学习领域的发展推动下,自发面部表情识别研究又取得了一些突破性进展。深度学习方法试图模拟生物视觉的神经传导系统,设计数层互相连接的网络层,通过递进的非线性映射,获得高维的表征形式。因此,深度学习的区分和泛化能力要强于传统的手工设计特征方法,同时还具备对周围环境影响的鲁棒性。但是,深度模型对非线性函数的可表示能力并不代表其可学习能力,深度学习的样本复杂度及构造仍然是一个悬而未决的问题。此外,深度学习模型表征能力的提升需要搭建足够深的框架和设计足够复杂的网络结构,这意味着冗长的模型训练周期。因此构建面向任务的网络模型、加快模型的收敛速度、探寻有效的轻量化优化技术也是一个值得深入研究的问题。针对面部表情识别中的特征挖掘和识别分类器设计等关键和难点问题,本文以面部表情图像为对象,开展轻量化卷积神经网络的面部表情识别研究。本文拟在构建自然环境下自发表情特性视图的基础上,引入自动数据增广和多频道复制手段,获得面向深度卷积神经网络的丰富样本信息;以面部表情的纹理信息提取和识别机理为牵引,建立人脸表情识别深度学习模型;以深度卷积神经网络的快速实现为目的,提出分组卷积和深度可分离卷积结合的深度学习轻量化方案。本文提出方法的有效性在FER2013、FERplus、CK+、SFEW和RAF-DB数据集上均进行了验证,取得了很好的结果。