表情识别是一个横跨人工智能、神经学、计算机等学科的交叉领域,在心理分析、临床医学、车辆监控等领域都有着广泛的应用。但由于表情识别特征提取难度、表情复杂度较高,传统机器学习算法容易忽略对于分类有重要作用的特征,导致表情识别的准确率较低。近年来随着深度学习和并行计算的发展,将基于深度学习的卷积神经网络应用到表情分类问题引起了学者们的关注。这得益于深度学习的特征提取是通过反向传播和误差优化来更新迭代权重,能够提取出容易忽视的关键点和特征。但依然存在实现复杂、依赖大量数据集、计算量大等问题。因此,本文主要针对以上问题对优化卷积神经网络及其内部结构开展研究。本文主要工作及创新点如下:1、目前的卷积神经网络对表情识别的细微特征提取程度不够,且训练时间长。为了解决这一问题,本文对GoogLeNet网络结构进行了优化,提出了一种基于并行结构的卷积神经网络。该算法的核心为两个并行的卷积池化结构,通过对表情图像提取不同的特征,之后再进行特征融合。该结构增加了网络的宽度和对于尺度的适应性,能够从不同角度提取图像的特征。2、虽然ReLU激活函数很好的保持了函数的稀疏性,但无法缓解均值偏移、神经元死亡的问题。针对该问题本文对传统的ReLU激活函数进行了改进,提出了双参数的新型修正激活单元D-ReLU。D-ReLU使用Log函数保留了负半轴的值,并设计使用了双参数能够让网络进行自主学习,使得输出均值趋近于零。因此,D-ReLU函数能够收敛更迅速,避免神经元死亡的现象,并能够在网络训练的过程中自主调节。3、将上述的模型算法应用到了互联网教育领域中,实现了课堂视频实时分类的表情识别系统。使用python爬虫获取百度、谷歌等网站的课堂表情图片,经过人工筛选和预处理后建立了小型的课堂表情数据集。将数据集送入上述模型中进行训练,利用训练出的模型对视频中的表情图片进行实时识别,并且搭建了学生端以及教师端两个教育平台。