随着计算机视觉和智能机器人等相关领域的发展,人脸识别和表情识别日益成为研究热点。传统的方法往往需要人工选择特征,往往不能完整或正确地获得高效的人脸特征表示,且容易受到环境噪声的干扰。近年来,深度学习算法在计算机视觉领域得到广泛的应用,使得模式识别技术有了跨越式的进步。本文基于卷积神经网络,搭建了一个人脸识别系统,并对表情识别算法进行研究和实现,论文的主要研究内容包括:（1）人脸检测的研究。人脸检测的目的是为特征提取过程尽可能地减少环境噪声的影响,也是人脸识别和表情识别任务的第一阶段。本文分别对传统方法和基于深度学习的人脸检测方法研究和实现,以多任务级联卷积神经网络（MTCNN）为基础,实现了定位精度和准确率都比较高的人脸检测算法,鲁棒性较强。（2）人脸识别系统的研究。本文搭建的人脸识别系统具备活体检测功能,能一定程度上防止虚假脸等伪造的人脸攻击,系统可靠性较强;由于引入了卷积神经网络方法,该系统对人脸特征具有很好的特征提取能力和泛化能力,能够适应光照、人脸表情、距离甚至一定程度的遮挡,在单人和多人模式下能较准确地识别目标身份。（3）Xception-small神经网络模型的设计。在对卷积神经网络的原理和特点进行研究的基础上,本文针对表情识别任务提出了一个高效的卷积神经网络模型。引入了深度可分卷积模块和Batch Normalization等正则化方法,并用全局平均池化层取代全连接层,尽可能使用小卷积核代替大卷积核,这些工作增强了网络表达能力,降低了模型参数量,提高了准确率,缩短了训练迭代时间。（4）表情识别算法的研究。首先对人脸表情数据集进行了预处理和数据增强,然后基于本文提出的卷积神经网络模型,针对不同的超参数和优化方法作对比实验,使得模型达到最优。通过对训练过程和训练结果的可视化,可以直观评价模型的训练效果。本文还对算法的性能进行评价,比较了与传统方法和其他深度学习方法在CK+数据集上的表现,并在自然场景下进行实验,验证算法的泛化能力和表情识别的准确性。（5）人机表情交互的实现。基于NAO机器人实现了人机情感交互功能,使得机器人能够对人脸表情做出识别,并针对不同的表情类别进行不同的语音和动作交互。