随着社会各方的需求、信息化的推进以及计算机视觉的发展,微表情识别领域得到了越来越多的关注,研究人员对其所进行的研究越来越深入。在商务谈判、刑事审讯、心理治疗等场合中人们会有意无意的隐藏自己的真实情绪以此来达到他们的目的,微表情是人类的肌肉语言,在此类情况下使用微表情识别的结果作为判断依据,可靠性则会大大提升。微表情区别于寻常宏表情的显著特点:（1）持续时间短（1/25-1/5秒）;（2）肌肉运动幅度小。并且由于微表情捕捉困难,采集工作复杂（需要专业的心理学研究人员设置在特定）,导致了现有公开可供研究的数据集稀少,给微表情领域的研究造成了巨大的阻碍,限制了微表情识别技术的发展。针对上述问题,论文基于深度学习方法对微表情识别展开深入研究。主要研究了基于网络之间不同模态、不同域信息交互来提高现阶段微表情识别准确率。通过融合不同信息获得来自空间域和时间域更加丰富的知识来优化参数,网络在有限的数据样本下获得更多知识,同时也缓解了单一标签监督训练所造成的过拟合情况,最终提高网络的预测能力。主要的研究成果为:（1）针对单一网络难以提取丰富的时-空特征,为了丰富网络知识提出基于辅助网络信息交互的微表情识别算法,通过改进的深度互学习策略引导图像序列不同模态之间的交互训练,提高网络的识别率。算法基于灰度图像序列建立主体网络,基于光流建立辅助网络。在训练阶段,通过设计互学习损失中的有监督学习损失和拟态损失,优化训练过程,使得每一种模态都能学习正确地预测训练样本的真实标识,同时能与其它模态的预测相匹配。在测试阶段,由于互学习机制增强了灰度分支的判别能力,因此可对光流分支进行剪裁,在保证准确率的前提下提高识别速度。本实验采用五折交叉验证,最终本方法在SMIC数据库上准确率为75.76%,在CASEM、CASMEⅡ、SMIC合并的数据库上结果为60.52%。（2）针对单一网络难以学习到微表情序列丰富的时间域信息,提出双流网络时间域信息交互的微表情识别方法,构建了双流时间域信息交互卷积神经网络（Dual Scale Temporal Interactive Convolution Neural Network,DSTICNN）,网络对微表情序列进行处理,进而实现微表情自动识别。该算法通过改进深度互学习策略引导网络学习同一图像序列的不同时间域信息,来提高最终的识别率。算法基于不同时间尺度构建DSTICNN32和DSTICNN64,在训练阶段改良了深度互学习的损失函数。同时,在两流网络接近决策层的特征图加上了均方差损失,最终由交叉熵损失、JS散度损失和均方差损失来共同监督训练,使得两流网络互相学习加强,提高各自预测样本的能力。本实验采用留一目标验证法,最终在SMIC数据库取得最好准确率为85.93%,在CASMEⅡ数据库取得最好结果为83.65%。（3）为了丰富网络的时-空特征预测能力,提出了基于金字塔增强时-空信息交互的微表情识别。该算法通过利用特征金字塔的技术分别构建了时间增强信息以及空间信息的网络,以此来获得丰富的时间、空间特征。对2D-Resnet34网络进行时间维度上的膨胀来构建的时间增强型网络中,通过对卷积和池化层的设置,控制网络中不同4个stage的特征图空间维度保持一致,仅改变时间维度的大小,再将其每个阶段最后的特征图像进行时间维度归一化,自顶而下连接形成特征金字塔,最终进行微表情预测。同理,构建空间增强型网络控制网络每个阶段特征图像时间维度不改变时间维度仅变化空间维度。网络对微表情序列训练的过程中,自身能够学习到丰富的时间或者空间信息,对微表情序列做出预测。与此同时,该方法还引入了互学习的策略,在训练过程中对空间增强型网络和时间增强型网络的预测结果之间进行信息交互,使得双流网络不仅因为特征金字塔增强时（空）间信息,而且通过网络交互也增加了对空（时）间知识。本实验采用留一目标验证法,最终在SMIC数据库取得最好准确率为87.14%,在CASMEⅡ数据库取得最好结果为87.31%