面部表情在人际交往中具有传达情感信息的重要作用。人脸表情识别在人机交互、远程教育、车辆安全驾驶等领域都有着重要的应用。目前表情识别的研究已经从实验室控制环境转移到自然场景中,从传统的基于手工和浅层特征提取的方法转到了深度学习的方法。现阶段面部表情识别面临的主要难题有两个:一个是面部表情训练样本存在数量较少、分辨率较低、类别标签不准确、类别不均衡等问题,提高了训练难度;另一个是目前的算法所采用的特征提取方法存在局限性,提取的特征多为浅层特征。此外,自然场景中的面部图像极易受到面部姿势、背景光照、局部遮挡等环境因素的影响。因此,基于传统几何和浅层特征的特征提取方法,无法满足自然场景下人脸表情识别的需求。针对特征提取不充分的问题,我们提出了一个基于Inception-ResNet的深度特征提取网络。该网络结合了Inception网络多尺度的感受野和残差学习的好处,可以有效地提取面部表情的深层特征。该方法解决了传统手工特征和浅层特征无法满足自然场景下表情识别任务需求的问题。鉴于表情样本数量不足无法从头开始训练深度神经网络的难题,我们借鉴了基于网络的特征迁移的方法。首先我们将ImageNet分类任务上训练好的权重初始化网络,再以表情样本训练整个网络。该方法在CIFE等几个表情数据集上都取得了较好的识别结果。在深度特征提取网络基础上,我们设计了一个可以自适应地学习表情特征在空间上权重分配的空间注意模块。该模块解决了目前表情特征提取工作中对局部细节特征提取不充分的问题。它在整个特征提取网络中起着指导权重分配的作用,一方面加强了面部表情中包含鉴别特征的区域的权重,另一方面降低了背景和无关区域对识别的影响。空间关注层的可视化结果形象地展示了它是如何自适应地影响权重在面部空间上分布的。在CIFE等数据集上的实验结果表明我们提出的模型具有良好的识别性能,并超过了现存的方法。本文工作表明,基于空间关注和Inception-ResNet深度特征提取网络,在小样本数据集上的表情特征提取工作中有着重要的指导和深层特征表示的作用。我们设计的空间注意模块能指导网络自适应地关注面部的表情信息区域。同时基于Inception-ResNet深度特征提取网络,可以从多尺度的感受野提取面部表情的深层特征,提升表情识别结果。