微表情是是人类在试图压抑或隐藏真实情感时的泄露,在刑侦破案,政治心理,临床医学等诸多领域有着广泛应用。由于微表情样本建立困难,对噪声敏感,有效时空信息获取不足等问题,严重制约相关算法的识别效果。在小样本和噪声干扰情况下,准确有效的从微表情序列中提取时空信息是微表情识别的关键。本文针对现有微表情识别方法易受噪声影响和时空信息提取不足等问题,提出基于时空信息融合的微表情识别方法。本文的主要工作如下:（1）在预处理阶段,先对图像划分感兴趣区域（Region of interest,ROI）。为增加特征判别性,引入差分能量图,寻找不同情绪发生运动变化的ROI区域,实现对于不同情绪能计算出自适应的权值ROI。（2）在底层时空特征提取上,提出基于时空局部立方体的二值编码方法（Local Cube Binary Pattern,LCBP）。LCBP将编码区域由三维正交平面扩展到立方体进行编码,通过设计的8个掩模提取微表情运动方向信息LCBPdirection,并在此基础之上添加幅度LCBPamplitudes和空间信息LCBP3D。在有效去噪的同时得到了底层时空信息,并且具有特征维度小的特点。（3）提出LCBP-STGCN（Local Cube Binary Pattern–Spatial Temporal Graph Convolutional Networks）方法获取时空融合特征。首先以ROI为图节点位置,LCBP特征为图节点信息确立时空图结构。然后利用具有处理非欧式数据能力的STGCN（Spatial Temporal Graph Convolutional Networks）网络提取图节点之间的信息。STGCN包含空间维卷积GCN（Graph Convolutional Network）和时间维卷积TCN（Temporal Convolutional Network）两种卷积模式,分别用于捕获图节点之间的空间信息和时间信息。通过GCN与TCN的交替卷积,可得到融合时空信息的LCBP-STGCN高层时空特征。最后连接SVM（Support Vector Machine）分类器进行微表情识别。最后在四个自发的微表情数据库SMIC、CASME、CASME2、SAMM进行实验。结果表明与目前主流的基于手工特征的识别算法和基于深度学习的识别算法相比。本文提出的算法识别率均有一定提升,且具有很好的鲁棒性。一定程度上解决了微表情易受噪声影响,时空信息缺失等导致的识别率低的问题。