情绪状态识别目的是让计算机拥有能够分析和了解人类情绪和意图的能力,深层次的分析人类的心理活动,从而在娱乐、教育、智慧医疗等领域发挥作用。根据表情的类别可以将情绪分为高兴、惊讶、悲伤、愤怒、恶心、害怕、蔑视七种情绪。本文将基于这七种情绪,依托课题组视频动作识别与智能分析项目,从动态人脸表情相似度的角度进行情绪状态识别的研究。利用卷积神经网络训练表情强度评估模型,以此来估计面部表情的强度,并在此基础上提出了基于动态表情相似度的情绪变化过程的研究。论文的主要工作如下:（1）基于卷积神经网络的表情强度估计。为了研究表情强度的差异,根据表情强度的动态变化研究情绪强度的变化,本文利用孪生网络构建了表情强度评估模型。首先根据表情序列间的顺序关系,将表情强度的估计问题转换为一种排序问题,然后再根据排序关系给数据打上标注,根据标注将排序问题转换为分类问题,并根据表情强度值从视频中提取表情序列。（2）基于动态表情相似度的情绪过程研究。在表情强度研究的基础上结合动态表情相似度研究情绪变化过程,具体实现包含四个基本步骤:表情特征提取、表情特征降维、表情强度估计以及动态人脸相似度匹配。本文采用深度学习的方式提取表情序列的特征,接着对于提取到的高维度表情特征,采用了KPCA降维的方式,将原始非线性的表情特征映射到一个高维甚至是无限多维度的空间使得特征数据线性可分,并在转换后的空间中进行主成分分析,得到低维度的表情特征,可以有效的降低动态表情相似度计算的复杂度。随后对于情绪强度估计采用的是第三章基于卷积神经网络方式,根据表情强度获得情绪强度的变化曲线,通过强度曲线的对比,判断其情绪强度的变化过程。最后通过基于余弦相似性的动态人脸匹配算法计算动态表情的特征相似度,通过特征相似结合强度曲线的相似,研究其情绪变化的过程,并识别其情绪。（3）情绪识别系统的实现。基于前两个研究点,再结合前后端相关知识,设计并实现了情绪识别系统,该系统不仅可以从本地上传视频进行情绪识别,而且可以通过摄像头实时采集动态表情变化的视频进行情绪的实时识别。该系统能够快速的识别情绪状态,对于情绪的识别实用性较强。