面部表情是人们表达情感的重要途径,近年来随着计算机领域的发展,面部表情识别成为了当前的研究热点并取得了显著的进展,可应用于人机交互、情感计算等计算机视觉领域,人工智能和深度学习的发展则更好地促进了面部表情识别的研究。基于机器学习的传统面部表情识别算法采用人工的方式进行特征提取,所提取的面部表情特征存在人为因素的干扰,以至于训练完成的分类器不能有效地解释表情信息,最终导致模型泛化能力不足,识别准确率较低。深度学习算法中的卷积神经网络在面部表情识别任务中的优异性能表现吸引了众多研究学者的目光。但是现实场景中的基于深度学习的面部表情识别仍然受到人体姿势、面部不同程度的遮挡、背景环境与光线干扰等因素的影响,识别的准确率仍需进一步提高,因此本文提出一种改进的基于深度卷积神经网络的面部表情识别模型,用来提高面部表情识别的精度。具体工作和创新点如下:（1）针对传统面部表情识别模型准确率较低的问题,本文提出了两个改进的卷积神经网络模型用于对比选择。第一个模型是针对面部表情识别任务进行优化改进的VGG12网络,VGG12网络结构基于VGGNet,改变了其系统结构并添加了Dropout避免过拟合;第二个模型是基于深度可分离卷积的深度卷积神经网络（DCNN）,DCNN的结构参考了VGG12中卷积块的叠加,但将其核心的卷积层替换成了深度可分离卷积层,同时搭配卷积残差块的使用,使网络能够有效减少参数的情况下,能够提取多尺度上的特征信息,从而有效的保留了细节特征。通过实验发现DCNN不仅拥有更少的参数数量,而且准确率也略高于VGG12,因此,本文选择基于深度可分离卷积的DCNN作为基础特征提取网络。（2）卷积神经网络的输入数据中缺乏多样性和易于分辨的特征信息可能会影响网络的性能,导致面部表情特征提取不足,为了解决以上问题,可以在网络中引入注意力机制使其忽略图片中无关特征而专注于有效特征。因此,在DCNN模型的基础上添加了卷积块注意力模块构成了新的DCNN-CBAM网络,使网络可以依次沿着通道和空间两个维度对给定的输入特征映射计算注意力图,然后再将输入的特征映射与其注意力图相结合以完成特征的精细化从而提高网络模型的特征表达能力。在不同数据集上的实验结果表明,在DCNN网络中引入注意力机制,可以有效地提高网络的性能和识别的准确率。（3）针对Re LU激活函数会在网络训练过程中产生负值神经元坏死,以及传统的Softmax损失函数无法解决在面部表情中训练数据存在同类表情差异较大,不同类别的表情差异较小的情况,在DCNN-CBAM网络中引入了Mish激活函数和AM-Softmax损失函数。Mish激活函数可以避免神经元坏死的情况,而AM-Softmax损失函数则可以最大化类间差异,实验证明,引入Mish激活函数和AM-Softmax损失函数可以改善DCNN-CBAM的训练情况,使其具有更好的特征表达能力。