面瘫是一种常见的面部表情肌功能障碍疾病,发病率较高,然而面瘫诊断治疗的专业医生却相对较少,且医生在诊断过程中很大程度上受主观因素的影响,从而导致面瘫患者难以得到及时准确的诊断,不利于患者后续的治疗。基于计算机视觉技术的面瘫自动化识别与分级评估方法是一种快速有效的面瘫辅助诊断手段,较大程度上帮助医生对患者病情进行诊断,以给出较为合理的治疗方案。因此,利用计算机视觉技术进行面瘫的自动识别与评估对面瘫的诊断与治疗具有重要意义。目前,尽管已有较多的面瘫识别与评估方法,但这些方法均基于面部不对称进行判断,而正常人的面部在呈现某种表情或静止时也可能存在不对称性;其次,现有方法大多使用浅层模型,且主要关注图像的浅层特征,难以对面瘫进行全面有效的识别与评估,方法有待进一步改进或提出新方法。本文基于现有面瘫识别与评估方法,针对上述存在的问题,利用深度学习的方法和理论,主要开展以下新的研究内容:1.针对面瘫的识别问题,依据疑似患者进行重复临床诊断性面部动作时,存在面部异常或不对称的正常人常比面瘫患者表现出更大的差异,据此,本文提出了一种基于深度差异网络(Deep Differentiated Network,DDN)的面瘫识别方法,该方法对面部状态的高层特征提取和差异特征计算进行联合优化。首先,利用two-stream CNN提取疑似患者同一动作不同时刻的面部状态特征的差异信息;然后通过卷积网络提差异信息的深层特征信息,并基于差异性特征进行面瘫识别。实验结果表明,DDN能够有效识别疑似患者是否患有面瘫,识别准确率达到89.67%。2.针对面瘫严重程度的评估问题,现有方法常忽略面部运动信息,且浅层结构的机器学习模型难以提取有效的面部状态深层特征。为此,本文提出了基于DDN与长短期记忆(Long Short-Term Memory,LSTM)网络相结合的面瘫分级评估方法,其设计原理是依据诊断结果依赖于患者进行面部诊断动作时面部的不对称和肌肉运动能力。通过利用DDN来分析患者面部两侧的差异,然后利用LSTM来提取运动特征。最后,利用提取的高水平特征进行面瘫分级评估。实验结果表明,DDN-LSTM在评价面瘫方面的性能优于其他先进的方法。