由于人机交互研究的不断深入以及巨大的应用前景,对人脸面部表情进行识别和分析已成为计算机视觉中非常重要、活跃和流行的课题。在过去几年中,深度学习在许多应用领域均取得了突破性成果,包括语音识别、图像理解、自然语言处理等。与传统方法用人工提取图像的几何、纹理特征不同,本文使用深度学习的卷积神经网络方法自动提取人脸图像特征,对人脸表情识别问题进行了研究,具体研究内容包括以下几点:1.尽管卷积神经网络已经被用于许多计算机视觉任务并表现出色,但是现有的网络结构对全连接层的关注却很少。考虑到全连接层在不同尺度下的特征提取能力不同,本文对传统的单通道全连接层进行改进,设计了一种新的双通道卷积神经网络,不仅提高了网络性能,而且增强了网络的特征表达能力。使用传统特征提取方法易出现识别错误率高,对光照、姿态和遮挡变化容忍度差等问题,本文设计的双通道卷积神经网络模型能有效解决这些缺点。2.传统的激活函数都只能拟合二维函数,Maxout却可以拟合任意维度的函数,为了能够更精确地表达高维特征信息,在全连接层用Maxout激活函数代替传统的ReLU激活函数;与传统的激活函数相比,Maxout激活函数的输出具有非稀疏性,将其与Dropout技术结合使用,Dropout用在Maxout网络层的后面,优化了网络内部结构。3.理想的面部表情特征具有比最小的类间距离更小的最大类内距离,但现有算法很少能有效地实现这一标准。本文在模型训练过程中使用A-Softmax损失,通过操纵特征面产生角度间隔,使用角度作为距离度量,将角度距离和学习到的特征相结合,增强了对不同面部表情特征的辨别能力。4.设计并实现了人脸动态表情识别系统,并使用不同卷积神经网络模型进行了动态表情识别实验,结果表明,双通道卷积神经网络具有较好的识别准确度和实时性,可应用于实时的人脸表情识别。