在人类交流过程中,面部表情可以高效地传达情感状态和意图,表情识别技术在科学研究上的价值不容忽视。目前对人脸表情识别的研究逐渐从实验环境转向自然环境。自然环境下的人脸极易受物体遮挡的影响导致表情识别的准确率大幅下降,并且表情主要集中于面部的部分区域,识别表情时对面部整体赋予同样重要的关注度会失去面部细节信息。如何有效地排除遮挡影响,以及提取更具区分性的表情特征是亟待解决的问题。针对上述不足之处,本文基于深度学习的人脸表情识别进行研究,主要工作如下:1.针对人脸被部分遮挡,影响表情特征提取从而降低表情识别率的问题,提出基于遮挡感知孪生卷积模型的人脸表情识别方法。首先,在Res Net-50主干网络之后嵌入了遮挡感知模块和几何关系模块;其次,两模块协同效应以减少遮挡的影响并获得干净的面部特征;最后,针对干净的特征可能会缺失一些面部信息的问题,以改进的孪生网络为主要框架,并设计表情对比损失函数来度量表情的相似性,以确保特征空间下相同的表情类内差异小,不同的表情类间差异大。实验结果表明,在遮挡的表情数据样本中,所提方法相较于传统方法准确率提升3%左右,验证了本文方法的有效性。2.针对全局人脸特征无法突出不同表情之间特性,并且模型结构复杂会导致网络参数数量增加的问题,提出基于多区域融合轻量级人脸表情识别方法,该方法包括两个子网络。首先,局部区域图像伴随全局图像共同输入子网络,以不同表情五官贡献程度差异,两个子网络被赋予不同的权值;其次,改进的子网络中通过一个分支从人脸子区域提取局部特征,描述面部细节,通过另一个分支从人脸全局自适应地获取重要特征,并设计新的损失函数以调节人脸关键点生成的掩膜和注意力图,描述整体高级语义信息;最后,采用剪枝算法对整体模型进行轻量级优化。在多个数据集上实验的结果与其他方法相比,本文方法提高了表情识别准确率,经过剪枝后的模型在减少参数数量的基础上保证了模型的性能,并通过可视化实验证明了注意力图使全局特征更关注表情的关键区域。