随着模式识别和人工智能领域的不断发展,人脸识别技术亦日趋成熟,而人脸表情识别与人脸识别技术息息相关,其已逐渐成为人工智能、模式识别和人类情感理解等领域的研究热点之一。传统的人脸表情识别算法依赖于人为设计的特征,算法设计周期较长且识别率有限。神经网络识别算法依赖于自身的网络架构和数据集样本训练的模型,在经过大量的人脸表情数据集训练后,识别精度较传统算法更高,但会耗用更多的计算资源且延缓网络模型训练时间。本文针对以上的问题,提出多个改进的网络模型用来提升网络的识别准确率和加快网络模型的收敛速度,主要研究工作如下:（1）提出一种SR-VGG19网络模型识别人脸表情图像。SR-VGG19网络模型是在VGG19网络模型基础上,加入了优化后的残差模块。在网络的最后一层卷积特征图上,采用改进的区域候选网络（Improved Regional Proposal Network,IRPN）代替滑动窗口以避免图像特征的重复提取;同时为了提高图像特征表达能力和加快网络模型收敛速度,在卷积层和全连接层之间增加空间金字塔池化技术（Spatial Pyramid Pooling,SPP）和引入批标准化（Batch Normalization,BN）。在网络模型训练阶段,为了避免网络出现过拟合现象,采用L2规范化对交叉熵损失函数进行约束和限制。针对CK+数据集,为避免网络由于CK+数据集过小出现过拟合现象,本文对CK+数据集进行增广处理,实现数据集样本扩展的目的。采用经典的FER2013和CK+人脸表情数据库对该算法与2013年Kaggle比赛前十名的算法和最近几年提出的人脸表情识别算法分别进行人脸表情识别准确率的对比实验,验证了本文算法的优越性。（2）提出了改进的SENet网络（Squeeze and Excitation Networks）,该网络不仅可以增加网络模型的识别准确率且加快网络模型在训练过程中的收敛速度。SENet网络通过采用Squeeze和Excitation策略对特征通道间的相关性进行建模,然后通过Reweight操作来实现特征权重重分配。Squeeze操作通过压缩空间维度,使多个二维的特征通道降至一维实数,且此一维实数的输出维度与输入的特征通道数相一致;其次Excitation策略通过学习参数w来实现每个特征通道权重分配;最后Reweight操作将Excitation输出的权重逐通道加权到先前每个通道的特征上,完成特征维度上的改进。（3）在ResNet18和VGG19网络模型基础上引入改进的SENet网络,提出SE-ResNet18以及SE-VGG19网络模型。在网络模型中,引入基于模型结构迁移、归纳式迁移学习方法以及PReLU激活函数,以加快网络模型在训练过程中的收敛速度。同时为消除类别不平衡和挖掘难分样本信息,在网络中增加Focoal Loss损失函数。为了避免网络出现过拟合现象,在网络中应用Dropout和批归一化（Batch Normalization,BN）策略。实验结果表明,SE-ResNet18以及SE-VGG19网络模型的精准性和快速性均优于Network C、Modern deep CNNs、Deep model网络模型。（4）采用空间金字塔池化技术（Spatial Pyramid Pooling,SPP）解决了VGG网络模型限制输入图像尺寸的问题。由于VGG19网络的全连接层要求输入的特征维度保持恒定,因此在VGG19网络中引入SPP方法来解决此问题。SPP通过利用多个不同尺寸窗口对最后一层卷积层提取的特征图进行池化处理,分别将得到的结果进行合并从而得到固定长度的输出。SPP是一种多尺度的池化,可以从不同尺度反映图像的特征信息,提高了尺度的不变性;且多窗口的池化操作可提高网络识别准确率。从某种程度上来讲,通过SPP可以增强图像提取特征的表达能力,进一步提高VGG19网络模型对人脸表情进行识别的准确率。