人脸表情是人类进行情感表达的重要方式,人脸表情识别研究的是自动、高效,准确的识别出人脸传递的表情信息,是计算机视觉和心理学等多学科融合的研究课题。在安全、医疗、教育、反恐刑侦等领域发展的迫切驱动下,人脸表情识别技术已成为一项具有较高研究价值的前沿技术。一般的表情识别方法提取完整人脸的图像特征,但由于人脸的不同部位包含的表情类别的信息不同,这样的方法会提取到一些无用甚至是干扰的特征信息,影响表情识别的准确率。本文根据FACS系统的研究结果,结合实际的实验验证,提出了基于人脸表情单元的表情识别方法。本文将表情识别分为四步:图像预处理、图像特征提取、人脸表情单元检测、表情分类。在人脸表情单元检测步骤中,利用Faster RCNN算法对人脸的特定部位进行检测与提取,减少了非关键部位信息对识别结果的干扰。在表情分类步骤中,提出了两种分类算法,第一种算法通过拼接的方式进行器官特征的融合,然后采用多层全连接神经网络和softmax分类器对表情进行分类;第二种算法是构建多个全连接神经网络和softmax分类器分别对表情分类,最终的结果由所有的表情单元的分类结果投票决定。本文采用自然场景下的表情数据集进行实验,实验结果表明,本文方法识别准确率有一定的提高,识别速度明显加快,证明了本文方法的优越性。在本文的方法中,图像不需要进行对齐,补全等预处理,降低了算法的复杂程度。在此基础上,针对表情识别中最易影响结果的人脸遮挡问题进行了初步的实验,根据实验结果分析了缺失比例和缺失部位对表情识别的影响,证明本文的方法能很好地解决遮挡表情识别问题。