人脸的表情识别是生活中除了语言的另一种无声交流方式，从表情里可以感受到人们的情感和心理活动。正因为表情如此重要，表情识别已成为国内外研究热点。人脸表情识别已经被用于许多领域中，有效满足了人们日益迫切的智能人机交互需求。
　　尽管在计算机视觉领域上的成就日益显著，但在人脸表情的识别方法中还存在各种缺陷，如人脸表情数据不充分，抓拍模糊等原因导致识别准确率不高。对此，本文从表情模型的训练和信息融合的角度出发，基于公共表情数据库进行训练和测试，以提高表情识别的准确性，降低决策误差的目的。以下为作者所做的一些工作：
　　1、利用信息融合中的特征层融合，提出了一种特征层融合与BP神经网络的表情识别方法。对三种小样本表情库采用主成分分析方法来确定图像中原始数据的特征值，将特征值与原始预处理数据融合，用实验证明了提出的特征层融合方法可以提高其识别率。
　　2、在表情识别现状的主流中不能仅仅在小样本数据库中研究，研究数据量大的表情识别更具有实际意义，因此，本文提出一种通过迁移学习训练表情的方法。用计算机视觉领域中热门的预训练网络对Fer2013数据库进行训练，预训练模型分别是Resnet18、Resnet50及Mobilenetv2，先对预训练模型更改网络初始层和全连接层的权重，保留其他层权重与结构，再通过微调参数重新训练该模型。最后与本文搭建的简单卷积神经网络对比，实验证明进行迁移学习的网络训练可以有效提升表情识别的准确率。
　　3、在训练好的表情数据的模型中，单个网络的训练结果虽然可以用于识别人脸表情图像，但是存在的误差影响整个决策结果，最终决策还可以进一步提高。利用信息融合中的决策层融合，本文提出了一种多模型融合的DS证据理论和加权投票法的最终融合决策算法，将每个训练模型进行融合，得到最终识别结果。解决了单个训练模型难以实现精确度高的问题。
　　同时，本文基于深度学习的几种迁移学习的网络进行了多次训练，通过对比实验得到适合人脸表情识别数据的参数，提高融合模型识别率。本文针对当前工作的不足进行总结，并在未来的研究中收集更多表情数据，提出更好的训练框架，以便提高识别性能。