随着模式识别和图形图像领域的快速发展,人脸表情识别已经成为智能化和多元化人机交互中的关键技术。在现有流行的人脸表情识别模型中,为避免传统表情识别中存在的训练过程繁琐和人工设计特征单一等问题,主要将人脸表情识别应用在深度学习方法中,但该方法仍然存在一定的局限性,如:当人脸表情识别处于复杂环境下,人脸图像存在人脸姿势不一和光照强度差异大;当采用集成模型提升识别率时,模型训练参数和时间成倍增长;当在实际应用环境下,无法及时采集到海量有标签样本参与训练等问题。针对上述问题,本文深入的研究了基于深度学习的人脸表情识别相关方法,主要研究工作如下:1.为提升人脸表情识别模型的识别率,本文首先提出一种基于LBP和CNN的人脸表情识别方法。该方法主要包含两个分支网络:其中一个分支是基于CNN构建的深度全局特征网络,主要提取图像的全局特征;另一个分支是以局部二值模式特征图为输入的深度纹理特征网络,主要提取图像的局部纹理特征信息。最后,在CK+、JAFFE经典数据集和多数据库上,该模型识别率分别可达98.23%、95.24%和93.99%,同时展开三组不同的实验以验证该方法的有效性。2.针对复杂环境下的人脸表情图像,提出一种基于深度可分离卷积的人脸表情识别方法。首先,通过图像预处理分割出与表情识别最相关的图像区域以减少相关复杂环境影响;其次,根据VGG19和Resnet18网络结构构建两个基分类模型,并利用深度可分离卷积替换模型中的常规卷积以实现模型的轻量化;然后,采用联合微调方法对预训练后的多基分类模型进行融合。最后,将该方法应用在FER-2013复杂环境数据集上的识别率可达75.15%,较Kaggle表情识别挑战赛冠军提高了3.95%;在CK+和JAFFE数据集上的识别率高达98.98%、97.14%,同时在该模型的基础上对比联合微调和加权求和融合方法的优越性。3.为减少人工标记标签的工作量,在基于改进的co-training算法思想上,提出一种基于半监督学习的人脸表情识别方法。首先,利用构建两个不同深度学习网络,并在有标签的相同属性集下对两个基分类器进行预训练;然后,分别利用不同基分类器对无标签样本进行分类预测,再通过JS散度计算出不同分布间的差异值;同时利用少量有标签样本和大量无标签样本训练模型。最后在CK+和FER2013数据集上分别以0.2、0.3、0.4的比例划分训练集通过识别率来验证该方法的有效性。