人脸表情识别是计算机视觉的一个热点研究方向,该技术可以被广泛地应用于人机交互、疲劳驾驶检测、医疗、安防、教育等领域。随着深度学习的出现和发展,卷积神经网络已经更多地被应用于人脸表情识别领域。相比于传统特征提取方法,深度学习方法能够提取图像高层语义特征,获取有表达力的特征,从而达到更高的表情识别准确率。然而,目前已有卷积神经网络表情识别方法多有参数量大、计算成本高的问题。针对卷积神经网络的不足,本文提出了一种频率域中的乘积神经网络,并以人脸表情识别为应用场景,对卷积和乘积神经网络的识别性能进行比较研究。本文主要内容如下:（1）本文研究和实现了基于卷积神经网络的表情识别方法:论文将三种卷积神经网络结构GoogLeNet、ResNet和DenseNet用于人脸表情识别,在一般线性卷积神经网络结构上进行优化,取得较好的效果。（2）本文提出了基于频率域特征提取的乘积神经网络表情识别算法:该算法首先将图像从空间域转换至频率域,并对频率域图像进行特征选择,从而压缩数据量,再利用卷积定理将空间域中的卷积变为频率域中的乘积,从而构造出乘积神经网络,用于提取人脸表情图像特征,该方法可以在取得更好表情识别结果的同时降低了网络计算量;（3）为了验证乘积神经网络的有效性,本文对卷积神经网络和乘积神经网络表情识别算法进行实验和比较,比较了不同算法的算法参数量、计算量和识别准确率,并且将识别准确率和其他现有表情识别算法相比较,最后对乘积神经网络进行消融实验验证乘积神经网络设置的有效性。本文在三个公开表情识别数据集上进行实验,实验结果表明:乘积神经网络方法性能优异,不仅计算速度快,而且通过与卷积神经网络比较具有更高的识别效果,证明了乘积神经网络在表情识别任务上的优越性。