人脸表情识别是近几十年来新兴的研究课题,在心理学和计算机视觉等领域具有重要的意义。与传统的机器学习相比,深度学习在特征提取方面具有优越的性能。在基于深度学习的表情识别研究中,卷积神经网络(CNN)的使用较为广泛。然而,性能优异的模型通常由复杂的卷积结构组成,伴随着巨大的计算量。另一方面,在频率域中处理图像具有一定的优势。然而,目前与频域相关的表情识别研究局限于传统手工设计的方法。因此,本文结合深度学习与频域处理的优势,设计并实现在图像频率域中进行特征学习的神经网络,旨在以轻量的计算获得优异的表情识别效果。本文的创新点主要有:1.本文设计了图像频率域的特征学习机制。具体而言,本文首先设计了可学习的频率域滤波核,并以此为核心设计了频率域特征提取层。然后,本文在特征提取层的基础上设计了频率域特征汇总层,从而进一步提取图像的高层特征。2.本文提出了基础型频域神经网络(Basic-Fre Net)。根据离散余弦变换(DCT)能量集中的性质,本文利用频率域特征提取层和特征汇总层设计了Basic-Fre Net,并实现了本文的第一种表情识别算法。3.本文提出了频率域特征与卷积特征融合的神经网络(DFN-Fre Net)。通过分析Basic-Fre Net和CNN的不同特点,本文设计了特征融合的机制对频率域特征和卷积特征进行融合,从而构建了DFN-Fre Net并实现了本文的第二种表情识别算法。4.本文提出了分块型频域神经网络(Block-Fre Net)。通过对Basic-Fre Net和DFN-Fre Net的分析,本文在特征提取方面改进了频率域滤波核、在特征降维方面设计了块子采样,从而构建了Block-Fre Net,即本文的第三种表情识别算法。实验结果表明,本文在频域中提出的特征学习机制是有效的,基于此构建的频域神经网络能够实现人脸表情识别。其中,Basic-Fre Net能够在广泛使用的DCT特征上获得更有效的特征,从而达到相对更高的表情识别准确率。另外,在模型DFN-Fre Net中,Basic-Fre Net与CNN的结合能够提高表情识别的准确率。最后,Block-Fre Net能够以轻量的计算获得优异的表情识别效果。