随着人工智能的飞速发展,人脸识别和指纹识别等一系列的生物信息识别技术被应用在了人们的日常生活中,给人们的生活带来了方便,人脸微表情识别技术作为目前面部识别技术中的重难点受到越来越多研究者的关注。微表情由于其自身不可抑制和难以人为控制的特性,能够更加真实地反映出一个人的心理状态,因此它在测谎、刑侦和心理治疗等领域有着很大的应用潜力。但是微表情持续时间短,表情动作幅度小,这使得传统的图像识别算法在微表情识别任务上表现的并不理想。卷积神经网络在图像处理领域的良好表现让人们开始将其应用在微表情识别任务上。本文主要研究基于卷积神经网络的微表情识别算法,针对微表情动作表达不明显,卷积神经网络难以提取视频动态特征和微表情视频信息冗余等问题提出解决方案,本文的主要工作如下:（1）提出了一种结合基于深度学习视频放大算法与光流网络的微表情识别算法。首先通过基于深度学习的视频放大算法对微表情的动作幅度进行放大,然后使用光流网络Lite Flow Net提取视频的光流图像作为视频动态特征输入网络,改善卷积神经网络不适合提取视频特征的问题,最终送入设计好的分类器进行识别。（2）提出了一种适合微表情识别的改进双流浅层卷积神经网络。网络采用双流输入,可以同时输入经过放大的灰度图像和光流图像,融合空间和时间两种特征对微表情进行识别,提高识别准确率。网络中还引入了空洞卷积和注意力模块,提高了网络提取高维有效特征的能力。（3）为了提高有效信息的获取,实验过程中采用视频的起始帧和关键帧替代整条视频,减少了视频中冗余信息对识别的影响,提高了识别效率,同时对数据进行扩增满足卷积神经网络训练对数据的要求。本文使用CASMEⅡ,SMIC-HS和SAMM三个数据库进行实验验证,结果表明本文算法可以有效地提高微表情识别准确率。