随着人工智能技术的发展,表情识别的研究取得了突飞猛进的进展。大多数算法的良好表现依赖于训练集和测试集的分布一致性条件,但是诸如图像采集条件、个体属性等因素的不同会使得数据间存在较大的分布差异。因此当把模型应用到新的未知分布的数据上时,其识别精度会有一定程度的下降。跨数据集的表情识别问题具有重要的学术价值,该问题的解决有利于推动表情识别的广泛应用。现有的跨数据集的表情识别方法缺乏对干扰信息的有效排除,使得模型在未知数据集上提取的特征中包含了域信息和身份信息等冗余信息,缺乏对表情特征的完备性描述,这是导致其分类效果下降的主要原因。因此,如何提取更加完备、干扰信息更少的表情特征是跨数据集的表情识别的关键。本文基于深度卷积网络,以构建跨数据集的表情识别系统为目标,围绕建立表情特征更加完备、抗干扰能力更强的特征空间开展研究。分别从减少域特征和中性人脸特征的干扰的角度进行了探索,有效地提高了模型的迁移能力和分类效果,本文的主要工作包括以下几点:1)基于域对齐和特征判别力约束的跨数据集的表情识别本文从减少域信息的角度来提高表情特征的完备性和鲁棒性。利用最大均值差异来衡量不同源域数据之间的分布差异,进而辅助表情识别任务在特征选择的过程中去学习对域变化鲁棒的特征。同时,在目标函数中引入了余弦相似度作为特征判别力约束,充分保证表情特征的判别能力。分布一致性约束和特征判别力约束的结合使模型在去除域信息等干扰信息的同时更多地关注表情信息,进而在未知数据集上提取到更加完备的表情特征。在通用的表情识别数据库上的实验证明了该方法的有效性。2)基于残差特征学习的跨数据集的表情识别本文从减少中性人脸信息的角度来提高表情特征的完备性和鲁棒性,提出了基于残差特征学习的跨数据集的表情识别框架。在该框架中,人脸表情信息提取分支和中性人脸信息提取分支共享低层卷积层。由两个分支的差值计算得到用来实现分类任务的残差特征,残差特征具有更好的泛化能力和判别能力,迁移到未知数据后能更完备且鲁棒地表达表情特征。在多个数据集上的实验证明了该方法的有效性。3)基于域对齐和残差特征学习的跨数据集的表情识别域对齐方法和残差特征学习方法分别从不同的角度对提高特征的完备性进行了阐述。域对齐方法从数据整体呈现出来的分布出发来解决跨数据集的表情识别问题,而残差特征学习更多地从个体差异的角度来考虑问题。因此将域对齐方法和残差特征学习方法统一到一个框架下,既能减少特征中域相关的信息,又能减少中性人脸相关的信息,使模型对表情特征有更完备的表达,对干扰信息有更好的抵抗能力。在表情数据集上的实验证明了该框架的有效性。