对于面部表情来说,既能够将人的情绪变化体现出来,也能够将人的喜怒哀乐表达出来。长期以来,人们都通过表情来对人的情绪变化进行研究,尤其是通过人工智能手段来识别人的面部表情。对于微表情来说,它是没有意识的、最真实的表情之一,可以将人当前的真正情感体现出来,慢慢成为了学术研究者们研究的热门方向。微表情的变化是非常微小的,这使得微表情的研究非常困难。这种表达方式是不能伪造和压制的,因此也成为了判断人们主观情感的重要依据。判断微表情的变化在医学诊断、谎言调查、商务谈判都有深入的发展,然而因为微表情变化不大、发生时间不长,同时会在面部的局部区域出现,导致想要识别准确微表情是很困难的。本文将微表情识别效果的提升作为目标,自三个方面对其进行论述:一是对微表情识别研究现状进行论述,其中,本文将微表情识别的过程、识别方法和相关数据库进行比较、分析。二是提出新的基于CNN-LSTM特征融合的微表情识别方法。在这一算法中,提出新的全局特征描述符,并应用于面部微表情识别实验中。利用卷积神经网络和改进的长短时记忆网络提取空间、时间特征,并把两者结合形成新的CNN-LSTM特征融合层,用于最后的微表情预测分类。三是提出基于“信息熵+LSTM”的微表情识别方法。首先,为了对微表情的特点进行更好的表述,可以将光流数据作为输入数据,再通过信息熵原理计算光流特征图像的信息熵值,并对信息熵值进行分析,将得到的特征值送入循环神经网络实施时序学习获得新的全局特征。最后,应用softmax分类器预测微表情的类型。