表情识别作为人机交互应用中的一个重要研究方向,在安全、教育、辅助医疗、娱乐等领域有着广泛的应用。在现实生活环境中,人脸表情识别会受到光照、面部遮挡、面部姿势等因素的影响,这些复杂的噪声变量使得人脸表情识别技术仍然是一个具有挑战性的研究课题。现有的基于浅层卷积神经网络的人脸表情图像识别算法,存在着网络结构简单、特征提取不够完整、特征表现能力不足以及识别准确率不理想等缺陷。本论文在已有的基于深度学习的卷积神经网络算法研究基础上,提出了改进卷积神经网络的人脸表情识别算法。本论文主要对卷积神经网络中特征提取相关部分进行深入研究,论文的主要研究内容如下:（1）分析了AlexNet应用于人脸表情识别时存在着对数据要求高、准确率低以及训练时间长的问题,本论文对AlexNet网络结构做了相应的改进,包含五个部分:连续卷积、多尺度卷积、跨连接和全局平均池化以及批量归一化,使得改进后的AlexNet网络更加适用于表情识别。并对图片数量较少的实验数据集进行扩充。实验结果表明,改进后的AlexNet在人脸表情识别上取得了优秀的结果,相比于AlexNet在CK+、JAFFE以及FER-2013数据集上准确率分别提高了18.1%、6.08%和29.89%,并且在训练速度上有一定的提高。在VGG网络上进行同样的改进,改进后的VGG网络在三个数据集上分别提高了9.96%、7.81%和12.15%,证明了此改进方法的实用性。（2）浅层网络提取的特征表现力不强,扩增后的实验数据具有一定的旋转。针对这一问题设计一种结合局部二值模式的卷积神经网络用于人脸表情识别,将表情图像的LBP特征图作为卷积神经网络的输入数据。LBP特征图不仅具有旋转不变性而且图像的表情特征更加明显,浅层网络结构提取的人脸表情特征的表现力会更强。实验结果表明结合LBP特征图的算法在三个数据集上表情识别的准确率,分别为92.34%、95.13%和63.0%。在改进后的VGG网络在三个数据集上准确率分别为90.55%、96.11和62.61%。（3）单一特征存在对表情信息表征不够全面的问题,本文在特征图结合卷积神经网络的思想上设计一种LBP（局部二值模式）特征图、RPCA（鲁棒性主成分分析）低秩图像相结合一种双通道卷积神经网络的人脸表情识别方法,两个通道提取两种表情特征相互补充,使得网络能够更加全面准确的对人脸表情图像进行表征学习和分类。该算法在三个数据集上能取得的97.89%、98.32%和75.83%的准确率。