随着社会各方面需求增多,以及信息化技术和人工智能的发展,微表情识别领域受到越来越多研究人员的关注。微表情作为一种自发的、不具有欺骗性的面部表情,可以在心理治疗、刑事审讯、公共安全等领域提供强有力的判断依据。持续时间短、运动幅度小是微表情的显著特点,也是微表情识别的难点所在。此外,由于数据采集过程难以捕捉自发性微表情且人脸数据涉及个人隐私,现有的公开数据集样本数量比较少。针对上述问题,本文主要研究了基于视频运动放大技术、卷积神经网络、多运动特征融合的方法来提高深度学习模型的微表情识别准确率。具体而言,主要研究内容如下:（1）针对微表情运动幅度小、数据集样本少的问题,提出了一种基于迁移学习的卷积神经网络用于微表情识别。通过添加投影变换和通道注意力机制来改进宏表情识别网络模型,构建新的网络模型以适应微表情识别任务。投影变换重整了输入特征,不仅能够产生更具有区分性的特征,还减少了网络参数。通道注意力机制帮助网络进一步关注和选择有助于微表情分类的信息,所提网络模型训练参数少、计算量小,可以有效避免过拟合情况。为了增强迁移学习时微表情与宏表情之间的相似性,对微表情进行自适应运动放大,对宏表情进行强度缩小。最后在多个微表情数据集上进行验证实验,结果证明了所提方法的有效性。（2）针对受年龄、光照变化影响较大的单一光流特征存在噪声导致识别准确率下降的问题,提出了一种多运动特征融合的双流卷积神经网络用于微表情识别。将不容易受到年龄、光照变化影响的人脸关键点特征图和光流特征进行融合,构建多运动特征融合的双流卷积神经网络,在网络末端加入分类融合决策,以此来提高网络模型的识别准确率。针对微表情数据集标签给出的动作单元信息未被利用以辅助微表情识别的问题,根据动作单元和人脸关键点之间的紧密联系,对人脸关键点特征图进行加权。最后在一系列微表情数据集上进行实验,结果表明了所提方法能够提高识别准确率。（3）受突如其来的新冠肺炎疫情和学术科研压力的双重影响,在读研究生患抑郁症和具有自杀倾向的人数明显增加。为了将本文研究内容落实于实际应用场景,建立了江南大学微表情（Jiangnan University’s Micro-Expressions,JNUME）数据集,搭建了面向研究生的情感状态分析系统。该系统具有单样本微表情识别、微表情数据管理、受试者信息管理以及个人情感状态分析等功能,并将本文提出的微表情识别算法应用于单样本微表情识别和个人情感状态分析模块。