人脸情绪识别是当前情感计算领域中最为重要且最具挑战性的一个分支,已然成为人机交互领域中备受关注的研究方向。虽然人脸情绪识别任务在实验环境下表现优异,但是在用户佩戴智能设备场景下,常规的人脸情绪识别方法无法有效处理遮挡脸部情绪识别任务。原因是,设备严重遮挡人脸上半区域和用户交互过程中带来的姿态变化,难以提取有效的情绪特征。通过调研和分析现阶段遮挡脸部情绪识别领域的相关文献,本文采用基于眼部区域的情绪识别的方法来解决用户佩戴智能头盔时的情绪识别问题。本文主要研究内容如下:（1）构建两个数据集。针对眼部情绪数据集匮乏的问题,本文从两个方面构建实验数据集,一方面通过设计和搭建眼部情绪采集方案,收集真实环境下的眼部情绪数据集;另一方面利用公开的全脸情绪数据集,从全脸图像中裁剪出眼部区域的图像,制作实验环境下的眼部情绪数据集。（2）提出一种基于特权信息的眼部情绪识别算法。首先,系统性梳理遮挡人脸情绪识别方法的发展脉络,分析用户佩戴智能头盔场景下的眼部情绪识别所面临的难点,确定基于眼部区域的情绪识别方法来解决上述难点。然后,针对以往眼部情绪识别模型需要额外个性化标定操作,导致用户使用体验不佳和情绪识别模型泛化能力不强等问题。本方法利用眼部图像和脸部图像的层次关系,将全脸情绪识别模型作为特权信息来增强眼部情绪模型的识别性能,无需额外的个性化操作。最后,在REED和EMUG数据集上进行实验,本方法的五分类情绪识别平均准确率比目前同类别最优模型EMO分别提高了3.8%和2.8%,七分类情绪识别平均准确率比EMO分别提高了4.6%和1.3%。（3）提出一种基于标签分布学习的眼部情绪识别算法。考虑到智能头盔计算资源有限和以往工作的模型过于复杂,难以满足实际场景的时效性需求。本方法设计轻量化的眼部情绪识别网络和复杂深层的情绪标签生成网络的组合框架,结合深层网络的提取能力和轻量化网络的识别效率的优点。在REED和EMUG数据集上进行实验,本模型的识别准确度略低于基于特权信息的眼部情绪识别模型,比起同类型的EMO在五分类情绪平均准确率分别提高了3.2%和2.8%,在七分类情绪识别平均准确率比EMO分别提高了2.8%和0.9%。值得注意的是,本模型参数量仅为表现最佳模型的1/26,兼具高效率和较优的准确率。为了更好地测试各个算法的可用性和泛化能力,利用公开的遮挡人脸情绪数据集FED-RO、RAF-B和AffectNet进行实验分析。实验结果表明,本文提出的两个模型方法在FED-RO、RAF-DB和AffectNet数据集实验结果领先同类型的眼部情绪识别模型,本文模型具有较好的泛化性和健壮性。