面部表情是一种普遍的非语言交流方式,在反映人们的情绪状态方面起着重要作用。心理学家的研究显示,无论种族或文化,人们在脸上以同样的方式描绘一些特定的情绪。在过去几十年里,对宏观表情识别的研究非常活跃,并且取得了很高的识别精度。然而宏观表情容易伪造,因此不能完全准确地表达一个人的真实情绪状态。微表情是一种非常简短、微妙且无意识的面部表情,通常在一个人有意或无意地隐藏自己的真实情感时产生,持续时间很短,约在1/25到1/5秒之间,其上限持续时间在1/2秒以内。微表情通常只发生在较小的面部区域,并且面部肌肉的运动幅度很小,以至于人类很难用肉眼观察到。尽管微表情的研究存在这些挑战,但由于它在许多领域具有潜在的应用价值,如临床诊断、警察审讯及商业谈判等,因此微表情的识别得到了更多的关注。但由于微表情时间短、动作小的特点,对于微表情的研究面临着很大困难。同时微表情数据集样本数量较少,也为研究带来了挑战。本文针对不同的微表情研究任务,设计构造了有效的模型来进行研究,用以改进和提升微表情检测和识别的性能。主要的研究内容包括:（1）微表情顶点帧的定位。为了在不包含顶点帧标签的微表情视频序列中找到微表情的顶点帧,本文采用哈希算法和Squeeze Net网络两种方法,对微表情顶点帧进行定位。通过比较当前帧和起始帧的特征差异来检测顶点帧的位置。（2）微表情的识别。由于3D卷积网络具有很强的时空特征提取能力,因此本文采用C3D网络进行微表情识别任务,将起始帧、顶点帧和结束帧一起送入C3D网络,通过学习这三个关键帧的特征来识别微表情。（3）在三个自发的微表情数据库CASME II、SAMM和SMIC-HS上开展了广泛的实验评估。实验结果表明,基于Squeeze Net的顶点帧定位方法取得了更好的结果,在SMIC-HS数据集上达到了79.12%的识别精度。本文提出的基于C3D的微表情识别方法在三个微表情数据集上取得了先进的结果,本文的方法优于大多数微表情识别方法。本文的研究和实验表明,基于Squeeze Net的顶点帧定位方法和基于C3D的微表情识别方法都有着良好的表现。这两种方法相结合,在一定程度上提升了微表情识别的性能。