汽车驾驶员的情绪会影响到驾驶操作,当驾驶员因自身压力或外界环境产生情绪波动时,易产生危险的驾驶行为从而威胁到交通安全。因此,实时监测驾驶员的情绪,当其情绪状态出现异常时及时发出提醒或进行调节舒缓,可以减小发生交通事故的可能性,驾驶员的情绪状态可以通过面部表情来分析。本文研究汽车驾驶员的面部表情识别的相关问题,主要研究内容和成果如下:（1）鉴于驾驶任务会影响到驾驶员的情绪表达,有时在自然状态下采集的面部表情数据集无法凸显出驾驶员的情绪特征,本文采集了影视作品中反映驾驶员高兴、悲伤、愤怒、诧异、厌恶、恐惧六种基本情绪以及平静状态等七种表情类别的图像,制定了合适的命名标准和情感判定方式,对截取到的面部图像进行情感判定后,选择388张图像建立驾驶员面部表情数据集;考虑到图像中较为复杂的背景可能会影响汽车驾驶员表情识别的识别率,利用多任务级联卷积神经网络（Multi Task Convolutional Neural Network,MTCNN）进行人脸检测和对齐处理,并将图像调整为统一大小。（2）针对汽车驾驶员的面部表情数据集中数据量不足和不平衡导致的表情识别准确率不高、网络过拟合等问题,需要对数据集进行数据增强以扩大数据量。本文提出了一种改进的CycleGAN网络模型,它在原始网络中添加类别约束条件以实现多类别表情图像的转换,同时用判别分类器代替网络中的判别器,得到的模型可以在一个框架中同时实现面部图像合成和表情识别,为了提高模型的鲁棒性,在判别分类器的损失函数中加入梯度惩罚机制,将改进后的Gycle GAN模型在驾驶员面部表情数据集和CK+数据集上进行实验,结果表明所提出的基于改进的CycleGAN的驾驶员面部表情识别算法可以有效提高表情识别率。