计算机技术的快速发展促进了人工智能和模式识别技术的发展,使其逐渐被生活化,因此,人们对机器的智能化需求也越来越高。人们不仅期望机器人可以帮助人类完成体力上的工作,还期望机器人可以判断人的心理活动和真实意图,实现人与计算机有感情交流为目标的人机交互过程,从而更好地服务于人类。人们在情感传达时,面部是人们交流的核心部位,在面部区域中包含了人类大部分的感觉器官(眼睛、耳朵、鼻子和嘴巴等)。通过面部传达的信息,可以通过最直接、最自然的方式明白他人的意图,感受他人的情绪。同时可以通过辨识出对方的面部表情,判断其心理活动和真实的意图。因此,如何让机器人快速准确地识别人的面部表情,从而获取人类的真实意图,已经成为智能人机交互技术研究任务中的一大重点。人脸表情识别是一种智能的人机交互技术,在情感计算中占据着重要的地位,在国内外受到了许多学者的密切关注与研究。目前,图像分类器的性能有很大程度取决于提取的特征是否有效。卷积神经网络模型在当前计算机视觉和人工智能领域具有显著的优势,实现了图像特征信息的深层提取以及特征提取和分类的同步进行。通过卷积神经网络模型对人脸表情识别进行研究,不仅具有重要的理论意义,同时还具有很大的实际价值。本论文以人脸表情识别技术的需求为牵引,致力于提高采用卷积神经网络模型对人脸表情识别的准确性并兼顾计算效率,首先基于获取的实验数据集,提出一种减少误判率的人脸检测方法;进而提出了一种获取优质图像的数据样本扩充方法,用于卷积神经网络模型的训练,基于表情图像自身的特点设计了相应的卷积神经网络分类器,提升人脸表情的识别率。论文的主要内容及创新点如下:1、提出一种实现复杂背景下获取表情区域的人脸检测方法。由于人脸表情图像大部分都存在复杂的背景信息,影响了表情特征信息的有效提取,不利于最终的表情识别,提出了一种有效的人脸检测算法,将有用的图像信息提取出来。该算法由两种检测方法联合构成。首先采用传统的肤色模型对脸部表情进行初次检测,然后基于人眼定位的方法辅助调节初次误检的人脸图像,减少误检率,有效地减少了表情识别任务中的很多干扰因素。同时,为了加快人眼定位的快速性,采用图像区域分割的方法较少人眼搜索的时间,加快系统的运行速度。2、构造出一种减少表情崩塌图像的生成式对抗网络模型。由于卷积神经网络模型的训练离不开大规模数据集样本的支持,而现有的大部分人脸表情数据集的规模普遍不大,提出了用于数据增强的生成式对抗网络模型。该模型由基于神经网络架构的生成器和判别器组成。对模型的架构和目标函数进行了优化设计。此模型的优点是可以通过增大重构误差减少表情崩塌图像的生成,提升图像的生成质量,为后续模型的训练做好准备工作。3、针对较为夸张明显的表情图像数据集,提出一种基于关键区域辅助模型的卷积神经网络分类器。由于现有的大部分方法只采用人脸的全部图像作为模型的输入信息,往往抓不住有利于分类的重点特征信息,提出了辅助模型的方法。首先使用原始脸部图像获取第一层的特征信息,然后将关键区域的特征信息提取出来与第一层的特征信息进行融合,得到有利于表情分类的深层特征,进一步提升表情识别的准确率。此外,为了减少模型在训练过程中震荡的缺点,提出了新的分段激活函数。同时针对卷积神经网络在模型训练过程中比较耗时的问题,提出一种采用CNN与随机森林连接的方式对表情进行分类识别,为了提升随机森林分类器的效率,对信息增益率的公式进行了简化,并对随机森林分类器的决策算法进行了优化,实现了表情的快速准确识别。4、针对表情容易混淆的样本数据集,提出一种基于级联卷积神经网络识别模型,实现了部分易混淆表情的准确识别,此外,在获取的低维特征信息的融合环节,采用贪心算法将多种特征信息进行融合,降低了维数灾难的影响。同时针对表情混淆程度较大且很难人为区分的表情数据集,提出一种基于聚类和卷积神经网络模型结合的识别模型,在聚类的过程中,为了尽最大可能拉大聚类中心的距离,提出了基于固定初始值的角力算法,提升了表情的整体识别率和每个类别下表情的识别率。5、针对自定义卷积神经网络模型在构建过程中参数的调整耗时问题和传统迁移算法中存在的内容差异问题,提出将卷积受限玻尔兹曼机和卷积神经网络模型进行融合的方法,得到了一种新的混合迁移算法。因为采用数据增强方法虽然有利于卷积神经网络模型的训练,但是对于一些规模较大的数据集,数据增强处理过程也较为复杂,模型的训练时间较长,因此本章提出的迁移方法可以更好地应用到较大规模的数据集中。该算法利用卷积神经网络模型实现模型对源域的初次特征提取,继而采用目标域在初次学习特征的基础上继续学习更多有利的特征信息,然后采用卷积受限玻尔兹曼机对目标域学到的特征进行深层挖掘,减小迁移过程中数据集的内容差异带来的影响,提升目标域图像样本集的识别准确率。此外,为了使卷积受限玻尔兹曼机在可见层的卷积操作中获取更加全面的边缘特征信息,对其进行补零操作的方式。