面部表情是人类表达情绪和心理状态最有力、最自然、最普遍的信号之一。人脸表情识别作为计算机视觉和人机交互领域的一个研究热点,近年来在学术界和工业界引起越来越多的关注,其应用领域十分广泛,包括医疗监护、教育评价、刑事侦查、情感计算、驾驶疲劳监测等。尽管卷积神经网络在人脸表情识别领域取得了不错的成绩,然而传统卷积神经网络仍存在网络模型复杂、模型参数量大以及提取的特征信息单一的问题,使其只能在特定的场景中使用。此外,在实际的人脸表情识别场景中,图像背景往往是复杂的,存在着许多无用的特征信息,容易导致人脸表情识别率变低。针对这些问题本文对人脸表情识别算法进行改进,主要研究工作包括以下几点内容:（1）提出一种基于Mobile Net V2结合通道注意力机制的人脸表情识别算法。该算法采用轻量级卷积神经网络模型Mobile Net V2并嵌入通道注意力模块（Squeeze-and-Excitation Networks,SENet）学习关键人脸特征,以提高网络的表征能力。此外,对Mobile Net V2模型中的线性瓶颈层进行改进,以减少因网络层数增加而丢失的图像特征。（2）提出一种基于多尺度Xception结合卷积注意力机制的人脸表情识别算法。该算法采用轻量级卷积神经网络的Xception网络作为基础模型,并采用卷积核分别为3×3、5×5、7×7的多尺度深度可分离卷积模块进行特征提取并融合,以提取更为丰富的人脸表情特征信息。此外,在多尺度卷积神经网络的基础上嵌入卷积注意力模块（Convolutional Block Attention Module,CBAM）,使得网络模型更专注于通道和空间中具有区分性的人脸表情特征。本文所提改进算法均基于Fer2013和KDEF人脸表情数据库进行训练、测试及验证。实验结果表明,改进算法增强了网络的表征能力,提升了人脸表情分类识别的准确率,验证了本文所提改进算法的有效性。