微表情是在当人试图掩饰或压抑某种情绪时所产生的持续时间极短、强度极弱、且不受自主控制的表情。微表情往往隐藏着人的真实情感,因此自动微表情识别在临床医学、商业谈判、司法调查、心理治疗和谎言识别等领域有着广泛应用。目前现有的传统微表情特征提取方法存在着对时域信息提取不足、对噪声的鲁棒性较差等问题,基于深度学习的微表情特征提取方法因为数据库样本较少,存在着深度网络不能快速有效提取微表情细节特征等问题。针对以上问题,本文提出一种新的基于双流融合网络的微表情识别方法。主要工作内容如下:（1）提出一种基于相邻双交叉局部二值模式（Adjacent Double Crossover Local Binary Pattern from Three Orthogonal Planes,ADCP-TOP）,ADCP-TOP通过融入邻域像素信息使得捕捉细节信息的能力更强,并对奇偶位置采样点分开编码,增加方向信息的同时提高鲁棒性。其中在图像划分时,根据面部动作单元划分粗粒度感兴趣区域（coarse-grained regions of interest,CROI）以去除冗余信息,通过进一步划分CROI获取细粒度感兴趣区域（fine-grained regions of interest,FROI）以增强对细节信息提取能力。（2）提出P3D-AM（Pseudo 3D convolution of attention mechanism,P3D-AM）网络,P3D-AM网络单元利用XY、XT、YT三个正交平面的二维卷积模拟三维卷积,且以并行方式对图像卷积。这种方式可以使网络更专注提取对应方向上的运动变化信息,提高系统的鲁棒性,且单元参数量与三维卷积一致,保证了表达能力。此外,在每层卷积中加入注意力模块,使网络能更注重微小变化区域,有效提高了对微表情细节信息的提取能力。（3）提出一种新的双流融合网络,双流融合网络分两流路径对微表情特征提取。首先利用提出的ADCP-TOP算法提取传统编码特征,然后将ADCP-TOP特征输入进P3D-AM深度网络进行特征融合,最终利用融合后的ADCP-P3D特征进行微表情识别。最后在SMIC、CASME和CASME2三个自发微表情数据库上进行实验,所提出的基于双流融合网络的微表情识别方法更注重运动变化信息,能更准确提取微小特征。与其它微表情识别方法对比,本文方法具有更高的识别率。