表情是情绪的外在表现形式,在人类日常生活中具有重要作用,相较于语音、语言等能够传递出更多的信息量。表情识别是让人机交互过程更加人性化、智能化的一种方式,能够让机器捕捉到人类的情感信息,完善交流过程。由于不同面部表情之间的特征相似性高,数据集逐渐从实验室走向复杂的真实环境之中,这些都使得面部表情自动识别的理论研究和项目落地过程中充满了难点。同时,流行的深度学习算法在训练阶段对内存和计算机算力有较高的要求。因此,为了让模型的特征提取能力得到有效提高,降低训练时对计算资源的依赖,本文从模型结构、损失函数以及归一化方式等角度提出了不同的改进方法。本文主要研究工作和贡献如下:1、以残差网络为基本结构,在残差结构中引入了索贝尔算子,强调了图片的边缘信息,增强了网络提取特征的能力,有效提高了最后模型的分类性能,在FER2013数据集和CK+数据集上分别达到了72.778%和95.96%的准确率,结果优于当前的一些其他算法。2、在中心损失函数的基础上,引入新的约束项,提出了一个新的损失函数,能够根据样本与其对应类别的中心之间的距离以及各个类别中心之间的距离修正类别中心的位置,使得同类别间样本特征更加紧凑而不同类别的特征簇更加远离,最后采用联合损失函数进行网络优化,在MNIST手写数字数据集上进行了可视化分析,以及在公开表情识别数据集上进行表情识别分类能力的实验,测试结果充分说明了此损失函数的有效性。3、训练时采用的批量大小与最后模型性能具有相关性,较大的批大小需要占用更多的内存以及计算资源,为了降低模型对于批大小的依赖性,将滤波器响应归一化嵌入到网络之中,在平衡和改善数据特征分布的基础上尽可能的保留提取到的特征的信息量,在FER2013数据集上达到了73.475%的准确率,且对比试验证明了在降低批大小之后模型性能减弱程度很轻。