人脸微表情识别已经成为工智能与模式识别领域的研究热点。人脸微表情是人的内心情绪的真实表达，研究人脸微表情可以使机器更好的理解人的情感信息，在人机交互中更好与人沟通，帮助人们工作。本文在表情识别基础上研究对更加细微的表情的识别，将微表情分七类：高兴，悲伤，惊讶，厌恶，恐惧，痛苦，中性。微表情变化一般不超过0.25s，对微表情视频流的研究要比单张图片更能表达的人的情绪。所以，本文结合深度学习对视频人脸微表情提出了一些新的方法，并进行了实验。本文主要的工作：　　1.建立微表情数据库。首先建立了适合本文提出的网络模型的样本数据集，分为彩色及灰度人脸微表情数据集，在微表情视频序列中截取12帧作为单人一个表情的序列长度。　　2.本文提出了用深度学习的卷积神经网络对视频人脸微表情进行识别的方法。每次将三张微表情图像同时送进卷积神经网络，每次移动一个步长，这样构建的网络就能保证同时视频微表情序列。在本文的数据库上不同的卷积网络模型都取得很好的实验结果。　　3.同时送进卷积神网络虽然同时输进了样本序列，虽然也对全部序列进行了识别，但忽视了时间的特性，并且计算量大。本文利用递归神经网络能对时间序列特征进行有效的处理，将其与卷积神经网络组合提出了一种CNN-LSTM的网络模型，实验表明这网络模型可以出每一个时间点的识别结果，并且有很好的分类性能。　　本文的两章实验是分别在深度学习框架Caffe及TensorFlow上进行网络搭建实验的，这两种框架对深度学习有良好的促进作用，并有可视化工具。经实验可知，本文的两种深度学习模型对视频微表情序列比其他算法更有优势，效果更好，实用性更高。