面部表情是人类表达情感和意图最为有效和普遍的方式之一,而人脸表情识别是情感理解、分析的重要基础,是帮助计算机理解人类情感并传达自身情感的前提条件,也是人类赋予机器情感,填补机器与人类之间隔阂的有效途径。随着人脸表情识别任务逐渐从实验室受控环境转移至具有挑战性的自然场景,开放世界环境下与表情无关的因素变量（例如光照,遮挡和姿态变化）所带来的干扰问题严重影响了表情识别的精度。此外,当前的主流深度人脸表情识别模型通常含有巨大的参数量,因此带来的高昂的计算开销在自然场景应用中也是无法接受的。对于视频表情分析任务,如何学习自然场景下稳健的时空人脸特征也至关重要。本文针对这些存在的问题,进行了深入的研究,并提出了以下方法:提出了一种基于多尺度和局部注意力特征的自然场景人脸表情识别方法,该方法可以同时学习稳健的全局和局部人脸特征。具体地,提出的对称多尺度模块融合了不同感受野的人脸特征,可以降低深层卷积特征对遮挡和姿态变化的敏感性;而局部注意力模块可以引导网络聚焦于局部显著性特征,减小了遮挡和非正脸姿态对自然场景下表情识别的干扰。实验结果表明,提出的方法在四个自然场景人脸表情识别基准数据集上取得了最好的结果,也在五个真实世界遮挡和姿态变化基准数据集上表现出了最好的稳健性。提出了一种轻量化的稳健人脸表情识别网络,该网络有很少的参数量,在自然场景下的人脸表情识别中达到了很好的精度和稳健性。首先,为了提高轻量化网络的稳健性,设计了一个局部特征提取器和一个通道空间调制器,这使得网络可以学习局部和全局显著的人脸特征。然后,考虑到人脸表情的分布特性和噪声问题,提出了一种简单有效的标签分布训练方法作为一种新颖的训练机制。实验结果表明,该方法在真实遮挡和姿态变化的数据集上表现出了很好的稳健性,并且在三个基准数据集上都达到最优的性能。提出了一种用于自然场景的动态面部表情识别Transformer。具体地,设计了由卷积块和空间编码器组成的卷积空间Transformer,用于引导网络从空间角度学习对遮挡和非正脸姿态稳健的人脸特征。设计了由三个时间编码器组成的时序Transformer,旨在使网络能够从时间角度学习时序上下文特征。可视化结果表明,提出的Former-DFER能够很好地处理遮挡、非正脸姿势和头部运动等问题,并且可以学习到更有判别性的面部特征。此外,该方法也在两个公开基准数据集上取得了最优的结果。