微表情是一种不能被神经系统控制的短暂的面部表情。微表情表明一个人有意识地隐藏了自己的真实情感。微表情在公共安全和临床医学中具有很多潜在的应用。因为微表情很难被人肉眼识别出来，所以一些微表情的研究集中于让计算机自动识别微表情。本文所做的工作如下所示:
　　1，本文提出了一种新的自动微表情识别算法，该算法结合了用于检测人脸关键点的深度多任务卷积网络和用于提取微表情光流特征的深度融合卷积网络。首先，使用深度多任务卷积网络来检测用于划分人脸面部区域的人脸关键点和其他影响因素。然后，使用融合卷积网络在人脸关键区域中提取光流特征，这些人脸关键区域在微表情出现时会有相应的肌肉变化。由于每个微表情视频片段都包含有很多帧，所以整个视频片段的原始光流特征会有很高的维度以及冗余的特征。本文改进了光流特征，减少了其中的冗余特征。最后，使用改进的光流算法提取了更精细的特征，并且使用支持向量机对微表情进行识别。在两个自发微表情数据库中的实验结果表明，本文提出的方法在微表情识别任务中取得了良好的效果。
　　2，由于有的微表情数据库中包含有一些人脸尺寸较小的样本，因此本文将单幅图像超分辨率重建算法引入进了微表情识别任务中。本文提出了一种包含有通道混洗稠密连接的深度卷积网络模型，名为SDSR。此网络模型用于将低分辨率的输入图像重建为高分辨率图像。具体来说，此网络采用稠密连接来结合低层的特征和高层的特征以提高重建性能，并且采用残差学习来降低深层神经网络训练的难度。此外，使用分组卷积来降低计算的复杂度和参数的数量，并且提出了包含有通道混洗的稠密连接结构来解决分组卷积的分组之间缺乏信息交互的问题。此网络在公开的数据库中进行了实验，实验结果表明该方法在图像的超分辨率重建任务中具有良好的性能。本文使用这个网络将包含有小尺寸人脸的样本重建为高分辨率图像，并将这些重建后的图像用于微表情识别中。在微表情数据库中的实验结果表明，这种带有超分辨率重建处理的方法比原来方法的识别效果更好。