微表情是人们在不经意间自发的面部表情,更能表现人们内心真正的情感变化,是一种十分准确、有效的行为线索,因此在教育、审讯、测谎、反恐、临床诊断等方面具有广泛的应用价值。但是由于微表情自身持续时间短、动作幅度小的特点,其很难被人眼所捕获并识别,因此,实现自动高效地微表情识别具有重要意义。早期微表情识别主要依赖于传统的图像识别方法,不仅需要复杂的手工特征提取过程,而且识别准确率低,因此出现了基于深度学习的微表情识别方法。但目前的深度学习方法多是通过提取空间信息来识别微表情,或是先提取空间信息再提取时间信息,这在一定程度上割裂了两者之间的联系,同时深度学习技术需要大量的数据来训练神经网络,但受微表情特性的影响,微表情的数据集和数据量有限,从而导致了识别的效果欠佳。为解决微表情识别中存在的算法不够成熟、识别效果未达到应用标准等问题,本文完成了以下研究工作。（1）提出了基于三维卷积神经网络的微表情识别模型（Micro Exp3DCNN）。考虑到微表情的时间特性,本文利用三维卷积神经网络进行微表情识别,同时提取了微表情的时空特征,并分别在CASMEⅡ和SMIC-HS两个数据集上进行了实验。实验分析了不同卷积核的大小和数量对识别效果产生的影响,并与先前的微表情识别方法的结果做对比,证明了本文所提出方法的有效性,最后通过混淆矩阵的形式直观地呈现了不同分类的识别效果。实验结果表明所提方法能够通过提取时空特征的方式获得较好的识别效果,但受数据集样本量小且样本分类不均衡的影响,样本量较小的分类的识别准确率还有待提高。（2）为解决上述样本量较小的分类识别准确率低的问题,本文提出将元学习算法用在三维卷积神经网络上对微表情识别进行小样本学习,利用先验知识来调整和优化网络参数,学习一个好的初始化权重,从而解决微表情小样本学习的问题。在基于元学习的微表情识别网络的训练部分,首先说明了元训练集和验证集的划分,然后描述了模型的训练过程,同时说明了元任务损失值的计算,通过实验结果的比对确定了训练过程中所需的最优参数。实验数据表明基于元学习算法训练的3DCNN的微表情识别效果相对于传统的算法具有更好的准确率和鲁棒性,针对样本量很小的分类也能达到较好的识别效果。