近几年随着人工智能技术的高速发展,人脸表情识别在智能安防、测谎、智慧医疗、互联网教育等领域出现了广泛的应用场景。由于人们通过面部表达情感的方式不同,很难通过人工设计和选择特征的方法高效的获取人脸面部表情的特征分布,因此目前基于深度卷积神经网络自动提取面部表情特征的方法在人脸表情识别中发挥出越来越大的优势。人脸表情识别任务在计算机视觉领域一直是一个充满挑战的问题,由于人们个体情绪表达的差异性和不受控的环境等因素的干扰,我们很难确切的为每一个表情类别划分特征空间,这样就会导致人脸面部表情类别与类别之间出现定向混分的问题。为了能够减缓人脸表情类别间存在的定向混分问题,本文创新性的提出了领域信息损失函数(Domain Information Loss)通过在目标函数中引入先验的领域信息知识来指导网络模型的训练和特征学习。同时针对人脸表情识别中人脸表情数据集规模不够大的问题,本文提出了Unet-StarGAN对抗生成网络模型来随机生成与训练数据集分布一致且带有标签的人脸表情样本扩充训练数据集,提升网络模型的泛化能力。此外本文设计人脸表情识别的网络模型时在深度卷积神经网络的基础上加入了协方差池化层和残差网络单元模块,这样可以使网络模型有效的捕捉面部关键特征的扭曲程度同时改善网络中层与层间信息的流动,避免出现梯度消失的问题。最后针对多个带有加权系数的损失项函数共同指导网络模型训练的问题,本文创新性的提出了注意力动态加权训练方法,将整个网络模型训练过程划分为三个不同的阶段,通过动态调整每一个阶段不同损失项的加权系数使网络模型在整个训练周期内能够高效合理的进行特征学习,同时避免网络模型过早的出现过拟合。本文所提出的基于领域信息损失和注意力动态加权训练的方法在显著提升人脸表情识别性能的同时减缓了表情类别间存在定向混分的问题。为了评估本文所提出方法的有效性本文分别在RAF-DB和FER-2013数据集上做了相关实验,实验结果表明本文的方法在RAF-DB数据集上目前取得了业界上最好的识别准确率,在FER-2013数据集上取得了非常有竞争力的识别水平。