在线学习由于无可替代的便利性而迅速发展,正在全球范围内普及。在最近由COVID-19引起的严峻环境下,世界各地许多学校都推迟了开放时间,并将在线学习作为主要教学方法之一。然而,在线课程的效率一直受到质疑,与传统的面对面课堂相比,在线课程中师生之间缺乏直接、及时、有效地沟通和反馈,导致“情感缺失”问题普遍存在。研究表明,学习者的情感与学习状态是紧密相关的,情感状态会严重影响学习者的知识获取和总体目标。因此,情感因素的重要性不容忽视,同时如何解决在线学习的“情感缺失”现象是心理学、信息技术、教育学等相关领域的焦点研究问题。以往的研究表明,面部表情与情感之间通常存在密切而稳定的关系。为了解决在线学习存在的“情感缺失”问题,本文采用面部表情识别的方式感知学习者情感,实现在线学习中情感的实时反馈。不仅有助于加强教师与学习者之间的互动,还可以帮助教师根据学生的情感变化来改变在线学习环境中的教学策略,促进个性化教育。本文的主要工作如下:（1）基于高斯先验分布的面部表情识别模型构建表情是由脸部的局部肌肉形变形成的,不同表情往往有着相同的或者相似的局部肌肉形变。基于对实验室环境下表情图像大量的研究与分析,发现不同表情之间隐含的相似性关系。此外,每种表情与其他表情的相似程度经过一定规则排序后遵循类高斯分布。还值得注意的一点是,人类在通过表情传递出的情感往往不止一种,而是多种情感的混合。基于以上发现,设计了一种高斯分布的情感标签分布代替传统的0,1硬标签。在获取了每种表情的情感标签分布的基础上,构建了以深度卷积神经网络为基础实时表情识别模型,并且对网络进行轻量化改进优化。该模型采用更适合衡量两个分布之间距离的KL散度作为损失函数。该模型还加入了 L2正则化,使模型在功能性和复杂性方面保持均衡。在公开的表情数据集上的实验结果表明,本文所提出的表情识别模型获得了很好的识别性能。不仅在时间和计算成本上大幅减少,并且在准确率和鲁棒性上有一定程度提升相比于其他模型。（2）面向表情识别的图神经网络与表示学习方法设计为了抑制由真实无约束环境下表情模棱两可性,标注者的主观性和低质量的面部图像导致的不确定性,本文提出了一个面向表情识别的图神经网络与表示学习方法。该方法基于探索面部运动单元（Facial action units,AUs）本身之间以及面部运动单元与面部表情之间的潜在关系,该方法包含两个重要阶段:首先对样本进行分组（即低不确定性和高不确定性）,图卷积框架用于低不确定性小组学习AUs图表示和预测潜在情感标签,情感标签分布随后通过融合数据集给定的情感标签和预测潜在情感概率分布的概率产生;建立k最近邻图以构造高不确定性小组样本的情感标签分布,主要思想是利用了近似k最近邻图在低不确定性组中寻找出个k个相似样本,然后根据该图像与相邻图像之间的距离对k个相似样本的情感标签分布进行融合来代替自身的情感标签分布。实验结果证明了所提出的方法在抑制不确定性方面的有效性,以及在处理面部表情识别任务的优越性。（3）学习者的实时情感获取与分析本文对基于不同环境下表情识别模型的实时情感分析机制进行实验验证。首先通过摄像头获取学习者视频学习数据,接着对视频数据进行采样处理,取出每一帧图像作为后续输入。为减少背景元素带来的干扰,对采样后的图像进行面部识别,利用ROI pooling算法选择面部候选框并裁剪得到面部区域图像,将图像输入训练好的表情识别模型得到学习者实时表情数据。表情进一步分为三大类情绪:积极（高兴、惊讶）、消极（悲伤、恐惧、生气、厌恶）和中性（中性）。实验表明,该模型能够实时客观准确地获取学习者的情感。