表情是人类情感表达的重要方式之一。近年来,随着模式识别技术的发展,人脸表情识别(FER)渐渐成为人工智能领域的研究热点,在人机交互、智能监控、疲劳驾驶等众多领域有着广泛的应用。目前FER的方法以静态表情图像研究为主,由于静态表情仅包含有限的纹理和轮廓信息,导致人脸表情识别的精度低、泛化性差。然而,表情的表达实质上是一个变化的过程,动态的视频表情序列包含丰富的空间信息和上下文活动信息,能够大幅提升分类结果的精度,因此研究意义深远。本文提出了多尺度三维残差注意力网络(3D-Res Att Net)的视频人脸表情识别。该网络将注意力机制与前馈网络结合形成注意力卷积神经网络,通过堆叠注意力模块构建三维残差注意力网络,这些模块会生成注意力感知功能,随着网络的深入,来自不同模块的注意力感知功能可以自适应地变化,能够提高人脸表情识别的精度。其中注意力模块采用自下而上、自上而下的前馈结构对特征增加软权重,学习更重要的人脸表情识别信息。除此之外,为了防止因为网络较深引起网络性能退化的问题,本文采用了注意力残差学习。针对3DCNN网络的计算复杂度较大,导致训练时间和计算机硬件的要求都大幅增加,为了降低模型的复杂度,本文采用分离卷积的思想,设计了伪三维残差块P3DA进行特征提取,伪三维卷积神经网络相比于普通的三维卷积神经网络在参数数量、计算复杂度等方面得到了大幅减小。针对样本不足的问题,本文不仅对样本数据进行旋转增强,还对样本进行尺度缩放,既避免了3D-Res Att Net网络过拟合的发生,同时也使网络对样本具有尺度不变性。与常见的视频表情识别方法相比,该方法可以同时提取时间和空间特征,网络结构简单,能够实现端到端的学习。实验结果表明,本文模型在CK+、Oulu-CASIA和MMI三个公开数据集上分别获得了99.6%、92.4%和81.2%的Top-1准确率,超过了现有先进方法的识别结果,充分说明了本文模型3D-Res Att Net对表情序列的时空信息有较强的表示能力,有效提高了表情识别的准确率。