卷积神经网络能够通过神经网络自主学习提取图像中的特征,并且具有局部响应、权值共享等优点,在人脸表情识别中获得了广泛的应用。但是目前浅层卷积神经网络的结构,还无法提取具有强表现力的表情特征,从而影响表情识别的效果,同时,传统的池化算法还存在灵活性不足、提取特征单一的缺点。因此本文针对卷积神经网络中特征提取部分和池化算法进行深入研究,对提高表情识别的准确率具有重要意义。本文提出一种结合局部二值模式(LBP)的卷积神经网络算法用于人脸表情识别,该算法在卷积神经网络提取特征之前,先提取LBP特征并将LBP特征矩阵作为卷积神经网络的输入,使卷积神经网络提取的特征中所包含的人脸表情纹理信息得到增强,图像中光照、背景等干扰因素得到抑制。因此,该算法提取人脸表情特征的表现力也得到充分提高。实验结果表明,与原卷积神经网络人脸表情识别方法相比,本文算法能有效提高表情识别的准确率、改善卷积神经网络训练过程中损失函数收敛曲线的震荡现象。本文还根据卷积神经网络方法中能通过反向传播(BP)算法自主调节参数的特性,提出一种改进的动态自适应池化算法,该算法根据训练过程中的损失函数,通过BP算法计算池化参数的梯度,使用梯度下降法不断更新池化参数直至收敛,不同的池化区域参数都不尽相同,具备一定的灵活性,能够克服传统池化算法中提取特征单一、缺乏灵活性的不足,CK+数据集上的仿真实验验证了改进的动态自适应池化算法的可行性及优越性。