随着互联网技术快速发展进步,人工智能、大数据分析和情感分析得到越来越多的关注,隶属于情感分析的表情识别,近些年成为研究热门,造福于人类现实生活和社会各个领域。但面部表情又可根据动态幅度高低、时间长度以及诱发因素,划分为宏表情与微表情两个类别,现今面部表情识别大多都是对宏表情进行识别分类。而微表情动作细微且持续时间比较短暂,所以微表情识别主要是由通过培训专业人士进行人工辨识。近来计算机视觉随着技术进步,进入了高速发展期,随着数据集的完善和涌现,微表情识别研究成为热门。微表情是人类无法人为约束的下意识表情,映射了人类的实际内心活动,因此微表情识别运用范围较为广泛,包括医疗、刑侦、安防、谈判等领域。但基于微表情的特点,现今微表情识别方法无论是相关技术人员的人工辨识,还是通过现有图像分类算法辨识,都无法很准确的识别出微表情的情绪类别。当下微表情识别所面临的瓶颈和难点,是信息冗余、样本量不足和细节特征提取困难。因此,本文针对问题,以提升微表情识别精确度和泛化能力为目标,以卷积神经网络为基点,开展微表情识别方法研究,主要包括以下内容:针对信息冗余和样本量不足,本文首先进行了预处理工作,通过人脸裁剪、峰值帧定位和双帧提取,有效去除数据集图像序列的冗余信息,使动态信息最大化,随后通过镜面翻转和随机旋转的方式对样本数据进行扩充,构建识别前的数据集。为了突破细节特征信息提取困难的障碍,本文将稠密光流法和卷积神经网络结合,构建了一个端到端的识别算法OFCNN,用稠密光流捕捉细节时间特征,空间特征的提取交由轻量级卷积神经网络完成,保证微表情动态信息的全面提取,实现微表情的识别与分类。同时,用数据集CASME和CASMEⅡ对该方法性能进行测试,均得到良好识别效果。多角度对本文提出的微表情识别方法进行评估,选用准确率和F1值作为评估标准。首先,将其与现存的手工方法和深度方法进行了对比实验分析,证明本文方法识别性能更佳。其次,利用混合数据集对识别方法进行评估,证明本文方法具有较好的泛化性。