面部表情识别是一种重要的人类情感表达方式。深入的研究人类面部表情,对于理解人类内心情感、实现人机交互等具有重要的意义。如今,面部表情识别技术在不同的领域取得了成功,但是面部表情识别仍是一项具有挑战性的工作。在真实世界中,每个个体对于表情具有不同的表现方式,比如“微笑”和“大笑”,同时面部图像存在着“遮挡”问题,这些因素将严重影响着面部表情识别率的提高。此外,面部的局部区域存在着更加丰富的特征,有待我们去探索和研究。所以,对于以上提到的面部表情识别遇到的问题,本文做了相应的研究工作,主要内容如下:(1)首先介绍了面部表情识别的研究背景和意义,并且简述了国内外对于其研究的现状,以及各种面部表情识别方法的分析和概括。之后又介绍了面部表情识别所需的图像处理的方法。最后,重点探讨了各种基于深度学习的面部表情识别方法,对这些方法进行了归类。(2)本文提出了一个新的LFA(Locality-Feature-Aggregation)损失函数,该损失函数可以在深度神经网络的训练过程中,减小相同类图像之间的差异,并扩大不同类图像之间的差异,从而削弱表情的多态性对于深度学习方式提取的特征的影响。同时,具有丰富表情的局部区域可以更好的表现面部表情特征。所以本文提出了一种融入LFA损失函数的MCF-CNNs(Multi-class feature fusion CNNs多类特征融合CNNs)深度学习网络框架。该框架提取了面部图像的局部特征用于面部表情识别。相较于其他方法,本文提出的方法在真实世界的RAF数据集以及实验室体条件下的CK+数据集上分别取得87.61%和96.92%的识别准确率,充分说明了本方法的有效性。(3)本文提出了一种带有注意机制的多区域特征融合的深度学习网络架构MRF-CNNs(Multi-Region feature fusion CNNs多区域特征融合CNNs)。该框架充分利用了整个人脸的不同区域,以提取情感丰富的局部特征。同时,该方法有效的将整体与局部特征互补。之后通过为MRF-CNNs子网提取到的不同的特征分配不同的权重,自适应地调整面部不同部分的重要性,将注意集中于非“遮挡”的局部特征,以解决面部表情识别中存在的面部“遮挡”问题。与其他最新方法相比,本文的MRF-CNNs框架在RAF数据集和SFWE数据集上取得了良好的识别效果。