人脸表情识别技术是跨人工智能、心理学、生物学等多领域的交叉学科,它在情感分析、人机交互、商业预测等方面有着广泛的应用。表情识别技术可以赋予机器理解人类情绪的能力,以便机器人等智能设备及时、准确地向人类提供贴心的服务。在深入研读相关论文之后,本论文分析了目前人脸表情识别算法中存在的不足,并且从模型改进、特征选择等角度提出了相对应的改进方法,通过实验验证算法的有效性。本论文主要的工作如下:首先,从动态和静态两个方向概述了表情识别研究的发展历程,然后以理论意义和现实应用为出发点,总结了现阶段的研究方法、研究的进展以及现实应用情况,剖析了相关工作中存在的问题和局限性,最后简述了表情识别技术面临的困难和挑战。其次,针对目前大量的动态人脸表情识别算法采用集成模型,整个网络庞大、参数较多难以训练的问题,提出了基于卷积GRU网络的表情识别框架,采用卷积神经网络提取表情模式特征,通过改变传统GRU输入数据的形式和内部运算机制,克服了卷积神经网络输出的三维特征图和传统GRU网络输入不一致的困难,并利用卷积运算特性保留了三维特征图中像素点之间相关性,因此可以将三维表情特征图直接进行时序编码,提高在单模型下的表情分类精度。最后,通过回顾注意力机制的数学原理以及它的应用,归纳总结出注意力机制的几种变体,针对表情识别任务,提出了施加在通道域和空间域注意力机制的静态表情分类算法。两种注意力机制运用卷积、池化操作对表情特征图中空间域特征、通道域特征的重要性进行区分,赋予与表情模式相关的特征更高的重要性,由此产生的决策向量能够更好的表示相应的表情模式,在RAF、FER2013和SFEW数据集上进行实验,验证了所提出的模型能够捕捉到表情模式的关键区域。