笑容作为我们日常生活中使用的最为广泛的表情之一,在学术界和工业界都成为了研究的热点。其具有极大的潜在应用市场,可用于情感监控、人机交互、场景分析、相机快门控制等应用场景。但是尺寸大小不一的人脸、明暗不同的光照环境、不尽相同的人脸位姿外加遮挡等问题无疑都给笑容的识别带来了困难。目前从笑容识别方法的研究进展来看,主要可以分为两类:一是基于传统的手工特征提取的方法,另一类是基于深度学习的自特征提取端到端的方法。得益于深度学习强大的特征学习能力,其在计算机视觉领域得到了越来越多的关注与应用。本文也因此基于深度学习方法提出了笑容识别的优化算法。本文的主要研究内容与工作如下:1.提出一种基于深度学习卷积神经网络(CNN)融合的优化算法。该算法在CNN网络提取特征之前,先采用了灰度化、直方图均衡化、高斯模糊、随机旋转等手段来抑制图像中光照、背景等因素的干扰并扩充了图像数据集。相较于单一的CNN识别方法,该方法较好的改善了一般CNN网络难以解决的最优参数训练问题,充分利用了微笑时变化显著的嘴部特征作为辅助输入源,从而能够捕获人脸图像更多的细节以提升笑容识别率。在GENKI-4K数据库上的仿真实验证实了模型融合方法的有效性与优越性。2.针对神经网络参数较多、训练速度较慢的缺点,本文引入了MobileNet的模型压缩方法,使用深度卷积与逐点卷积的配合取代常规的卷积操作对网络进行轻量化处理以降低计算量并提高运算效率。并在实验阶段对网络模型压缩前后的时间效率进行了对比。