在现如今的大数据分析信息时代,表情识别技术在人机交互与情感分析等领域中具有十分普遍的运用,是计算机视觉应用领域里的一个非常关键的研究领域。表情识别的实际应用具有相当大的社会意义,所以表情识别的深入研究对实际应用的推广与普及具有十分重大的意义。头部姿态变化下人脸表情识别在表情识别方向里,是一项非常具有挑战性的计算机视觉任务,因为一方面,不同表情难于分类,另一方面头部姿态的变化会导致相同表情类内的差异很大。本文提出了一种新的基于有监督对比学习的头部姿态变化下人脸表情识别方法和一种新的基于正交通道注意力的多任务学习头部姿态变化下人脸表情识别方法,简称为OCA-MTL（Orthogonal Channel Attention-based Multi-Task Learning for multi-view facial expression recognition）方法。本文所提出的基于有监督对比学习的头部姿态变化下人脸表情识别训练框架结合有监督对比学习损失,可以有效地在归一化特征空间内拉进同表情分类样本的特征距离,拉远不同表情分类样本的特征距离。所提出的OCA-MTL方法采用孪生卷积神经网络来训练头部姿态变化下人脸表情识别模型学习与正脸表情识别模型相近的特征。OCA-MTL模型采用了一种多任务学习框架,在多任务学习框架中嵌入了一个分支通道注意力（Separated Channel Attention,SCA）模块,以分别产生人脸表情识别任务和头部姿态估计任务各自的分支注意力权重。此外,本文还提出了一种正交通道注意力损失函数。我们在两个公共头部姿态变化下人脸表情数据库上构造了三个数据集,并对OCA-MTL方法进行了大量实验,验证了我们的方法的有效性。本文为解决头部姿态变化下人脸表情识别所面临着的不同挑战,开展了的如下的几个方面的主要工作:（1）基于有监督对比学习的头部姿态变化下人脸表情识别方法按照输入样本的标签和输入顺序生成表情标签矩阵,为第一阶段基于编码器网络输出特征的有监督对比学习损失计算,提供了标签信息与正负样本对的判定依据。在预训练之后,丢弃预测网络,在编码器网络后接线性预测层,为下游的人脸表情识别任务训练微调。为了在有监督的环境中对模型进行预训练,我们提出了一个对比损失函数,构造了一个损失相关的矩阵,通过约束所提出的对比损失函数,可以实现在归一化特征空间中,使得同标签类别的样本特征更近,不同标签类别的样本特征更远,达到更好的表情分类效果。（2）基于正交通道注意力的多任务学习头部姿态变化下人脸表情识别方法提出了一种头部姿态变化下人脸表情特征学习框架,该框架使用两条平行路径,从不同头部姿态和相应的正脸姿态学习对头部姿态变化鲁棒的人脸表情特征,训练时通过最小化所述不同头部姿态与正脸提取到的表情特征之间的表情特征差异损失,迫使不同头部姿态下的人脸表情在与正脸的协同下学习更多有效的特征。还提出了一种分支通道注意力模块嵌入框架,两个分支通道的注意力模块,一个用于学习人脸表情特征,另一个用于学习头部姿态特征。此外,还提出了一项正交通道注意力损失,正交通道注意力损失等于两个子任务单独注意力权重的内积。与传统的注意力机制相比,正交通道注意力机制可以进一步有效地分离头部姿态特征和面部表情特征。