人脸表情识别是一项极具挑战的模式识别任务,在例如医学研究、交通安全、公共安防、刑侦审讯、影视娱乐等领域有重要的现实意义。对于可预见的未来世界中的高效人机交互,正确快速的识别用户表情也是一项必不可少的技术。近十年来,表情识别的研究进度突飞猛进,从小数据的室内研究转向了具有更大数据量的室外研究,研究方法也从传统方法变革为深度学习方法。深度表情识别的主要难点有以下几点:缺乏有效训练数据、存在大量表情无关的冗余信息、模糊表情的客观存在。本文主要针对其中的模糊表情问题开展研究工作。为了提高深度表情识别的识别精度,本文做了以下研究工作:（1）针对表情分类的主观性,联系生活实际,本文提出了一种强化类间区分的深度残差表情识别算法。首先,通过先验实验和阈值算法,量化分析类间关系,验证本文观点的同时得到各类表情的强弱关系集合;然后,将表情之间的关系通过固定参数的形式融合到网络支路设计之中;最后,在添加了分支的整体网络上做训练。在流行的大型野外数据库上的实验表明,该方法性能优异,较之基本方法提升显著,在一系列的先进方法中也有一定的竞争力。（2）针对表情分类中单标签信息量不足的问题,本文提出一种逆K-fold的标签分布深度表情识别算法,将one-hot标签转化为概率分布,更符合当前人们对表情识别的认知。首先将训练数据拆分为K份,在一份数据上进行学习,对其余K-1份数据做预测;然后,循环K次,对于训练数据整体得到每个数据被标记过K-1次的标签分布;最后,将这些标签作为数据的标签分布对测试集做预测。在多个经典的CNN框架上应用了该方法,在RAF-DB和Affectnet上的实验表明,该方法在大数据量、标签质量差的情况下明显有效。（3）同样是针对表情分类中单标签信息量不足的问题,提出了一种渐近真值的标签分布表情识别算法。在不对数据库做拆分的前提下,充分利用数据库的原本信息完成标签分布的生成和利用。首先,在数据训练时,利用单标签学习,收集数据整体分布的均值;然后,在数据批次的粒度上,逐步逼近数据标签真值;最后,利用生成的数据标签分布重新训练整个网络模型。实验表明,该方法对网络模型的精度提升有明显的作用,在与先进算法的对比中也有一定的竞争力。