随着近些年人工智能的进步和发展,人们对机器智能化的要求也越来越多,人类希望机器能够准确的识别人的面部表情,完成人与机器的交流,而不是局限于人与人的交流。由于各种表情之间的差别很小,因此,让计算机准确无误的识别表情具有一定难度。传统的手工特征提取方法进行人脸表情识别,容易受人为因素干扰,造成人脸表情特征信息的丢失。近年来,深度学习广泛应用于人脸表情识别,其核心的步骤是特征提取,特征的好坏直接决定了识别的效果。人脸区域虽然占比较小,但是许多表情的特征属性都包含在其中,在特征提取的过程中提取到过多无关的特征会造成分类器无法准确识别人脸表情,因此需要提取对人脸表情其关键作用的局部位置。如果仅仅使用一些局部位置也会导致一些全局信息的丢失,导致难以准确地确识别人脸表情,而浅层和单一的神经网络提不能提取更深层次的图像信息。针对上述问题,研究基于局部特征与全局特征融合的人脸表情识别相关方法。主要研究工作如下:（1）结合注意力网络针对局部特征进行人脸表情识别。在神经网络结构中添加区域注意力网络使网络能够更强关注人脸图像的局部特征,削减其他无用特征。该方法设计一个特征注意力网络,在原有神经网络上考虑了注意力单元对局部特征的强化功能,对模型结构的全连接层,滤波器进行了优化,使特征提取能力得到增强,最后在CK+数据集和FER数据集中进行仿真实验验证模型性能,实验表明该方法能够有效提升表情识别准确率。（2）由于单一的使用局部特征和全局特征进行人脸识别都存在不足,提出一种特征融合算法。设计包含两个分支的注意力神经网络,一个网络分支引入注意力网络提取对人脸表情识别起关键作用的局部特征,另一个网络提取全局特征。为了保留信息完整性和提取深层次信息,将残差神经单元与现有卷积神经网络相结合,同时提出了一种联合归一化方法,增强特征信息交流的同时优化了数据归一化方法。最后在特征融合阶段调整特征融合方式,使模型在人脸表情识别中取得了较好的效果,且在CK+和FER数据集中验证了模型的有效性。