人脸表情识别近年来已成为计算机视觉的热门研究领域之一,在辅助驾驶、智能课堂、海关检测等场景皆有重要应用。目前表情识别算法主要基于离散类别标注,利用深度学习技术提取人脸高级几何特征,进而分析情感类型。然而由于人类对于表情认知的主观性以及表情本身的复杂机制,当前表情识别算法普遍存在表情歧义问题。歧义问题不仅造成样本语义信息丢失,影响算法的训练和测试结果,而且使得模型参数分布不能符合实际场景。因此,如何分析并处理歧义问题对表情识别算法的设计具有重大意义,也是当前亟待解决的重要问题。本文围绕人脸表情识别算法设计优化和表情歧义性建模与测量两方面展开研究,工作及其创新点包括:1.提出了一种高精度人脸表情识别算法。首先分析对比人脸表情识别和传统图像分类的异同点,并且针对人脸表情识别的难点选择了合适的表情训练集。所选的数据集收集了大量网络上表情相关的图像,足以涵盖现有的表情体系。接着设计了能进行表情识别的网络,另外还针对数据不平衡问题采用了类别加权采样方法。通过大量的剥离实验,得出了人脸表情识别模型设计的一般性原则,对人脸表情识别网络的研究具有指导性的作用。2.提出了一种表情歧义性的建模与应用方法。针对当前人脸表情识别中普遍存在的歧义性问题,首先设计了一种能够准确反映表情歧义程度的量化指标,以及模型评价指标。接着提出了歧义性测量模型,使其能从人脸表情图像中准确判断其歧义程度有多高。实验也表明了歧义性测量模型的输出和人们的主观认知是一致的。最后,将歧义性测量模型的结果应用到人脸表情识别网络中,人脸表情识别的精度普遍得到了优化。本文基本完成了深度学习人脸表情2D图像识别及其表情歧义性研究,达成了终端对人脸表情的全自动识别,并实现了表情歧义性的自动测量,为以后的人脸表情识别的工作打下良好的基础。