微表情是人们隐藏自己的真实情绪时不经意暴露的快速表情。近几年,由于微表情在心理健康、国家安全、测谎等多个领域的潜在应用,微表情相关研究引起了越来越多不同科研领域的专家关注。目前,微表情的研究已经取得了一定进展,监督学习的方法例如基于深度学习的模型被广泛应用于微表情检测和识别中,其往往需要大量已标注的微表情数据进行训练。然而,目前依然缺乏高质量的微表情数据集,这严重掣肘着微表情研究的发展。现有微表情数据集大都是在实验室环境下进行采集的,这种采集方式大多耗时费力,且只能获得少量的类别较为单一的样本,难以满足深度学习模型训练的需求。目前,众包由于其群智协同性已经被广泛应用于其他领域的数据采集中。因此,本文提出了两种基于众包的微表情收集与处理方法,可以收集数量众多且种类繁多的样本,并且可以更高效地对微表情数据进行检测和标注。由于众包标注人员的各种不稳定因素,会造成数据标注质量变低的问题。本文通过对众包冗余数据清洗,来保证数据的质量。（1）本文提出了一种基于众包的多样化微表情数据收集与处理方法。在目前的微表情收集方面,大部分公开的微表情数据都是在实验室环境下收集的,收集到的微表情样本数量少且不够自然。因此,本文在对微表情的初步收集上不拘泥于实验室环境,分别通过互联网数据资源、相关数据集、系统网页、微信小程序等多个不同的途径进行了微表情样本的初步收集。本文首先对微表情视频片段通过主方向最大差分析方法进行微表情初步检测,然后利用众包进行微表情检测和标注,最后将数据进行集成,得到自建的Crowd4ME微表情数据集。和其它的微表情收集方法相比,本文的方法可以更高效地收集到更多样化、更自然的微表情数据。（2）本文提出了一种基于众包的大规模微表情数据高效收集处理方法。为了获得大规模的自然的微表情样本,本文首先大规模收集含有微表情的长视频片段,然后通过基于光流和长短期记忆的微表情检测方法,将上述得到的含有微表情的长视频片段进行进一步地数据处理,得到微表情视频。对微表情视频进行初步筛选,将筛选后的微表情视频放在亚马逊标注平台上进行标注。将标注后的微表情通过DS算法进行清洗,得到最终的微表情数据集Crowd4ME2。对比其它的微表情数据集,本文的微表情数据集Crowd4ME2在数量以及收集效率上有着明显的优势。基于上述研究,本文进一步设计了一个基于众包的微表情收集管理系统,实现微表情数据的收集、标注以及管理一体化,助力更便捷的微表情数据收集处理工作。